[發(fā)明專利]一種基于聯(lián)合聚類域自適應(yīng)的圖片分類方法和系統(tǒng)

在審

• 申請?zhí)枺?/td>: 202111088083.0
• 申請日: 2021-09-16
• 公開（公告）號: CN113936167A
• 公開（公告）日: 2022-01-14
• 發(fā)明（設(shè)計）人: 張蕊;汪瑜;張曦珊;劉少禮
• 申請（專利權(quán)）人: 中國科學(xué)院計算技術(shù)研究所
• 主分類號: G06V10/764
• 分類號: G06V10/764;G06V10/762;G06V10/82;G06K9/62;G06N3/08
• 代理公司: 北京律誠同業(yè)知識產(chǎn)權(quán)代理有限公司 11006
• 代理人: 祁建國

本發(fā)明提出一種基于聯(lián)合聚類域自適應(yīng)的圖片分類方法和系統(tǒng)，包括：通過特征提取網(wǎng)絡(luò)可分別提取源域圖片數(shù)據(jù)和目標(biāo)域圖片數(shù)據(jù)的特征，得到源域特征和目標(biāo)域特征；基于源域特征和目標(biāo)域特征到聚類中心的距離顯式表達(dá)域內(nèi)類別條件分布概率；最小化源域數(shù)據(jù)標(biāo)簽與域內(nèi)類別條件分布概率的相對熵距離，更新特征提取網(wǎng)絡(luò)與類別聚類中心；最小化目標(biāo)域數(shù)據(jù)的標(biāo)簽分配與域內(nèi)類別條件分布概率的相對熵距離，再次更新特征提取網(wǎng)絡(luò)與聚類中心；將待分類圖片輸入經(jīng)過再次更新的特征提取網(wǎng)絡(luò)，得到待分類圖片的圖片特征，計算圖片特征與經(jīng)過再次更新的類別聚類中心中所有類別中心的概率，取概率最大的類別作為待分類圖片的圖片分類結(jié)果。

技術(shù)領(lǐng)域

本發(fā)明涉及圖片分類技術(shù)領(lǐng)域，并特別涉及一種基于聯(lián)合聚類域自適應(yīng)的圖片分類方法和系統(tǒng)。

背景技術(shù)

現(xiàn)有深度卷積神經(jīng)網(wǎng)絡(luò)方法基于訓(xùn)練數(shù)據(jù)集和應(yīng)用場景具有相同分布的假設(shè)。然而用于模型訓(xùn)練的數(shù)據(jù)集與最終的實際應(yīng)用場景往往存在差異，這將導(dǎo)致模型最終的性能有較大的下降。無監(jiān)督域自適應(yīng)(UDA)提供了一種在無目標(biāo)域標(biāo)簽時解決域分布不匹配問題導(dǎo)致的性能下降的方法。

傳統(tǒng)的無監(jiān)督域自適應(yīng)方法通過設(shè)計損失函數(shù)度量并最小化域之間的差異距離來對齊不同域的特征分布。度量方法包括最大均方差(MMD)、Kullback-Leibler散度(KL)以及基于GAN的域分類器。這些方法可以被概括為在保持源域分類正確率的前提下尋找域不變特征空間。

現(xiàn)有方法的理論基礎(chǔ)為在域一致的特征空間上，源域與目標(biāo)域的分布足夠相似。然而在實際應(yīng)用中，即使達(dá)到了兩個域之間特征分布相似，在下游分類任務(wù)上目標(biāo)域的性能依然有所下降，且可能產(chǎn)生負(fù)遷移的效果。

發(fā)明內(nèi)容

本申請?zhí)岚赶Ｍ鉀Q域自適應(yīng)問題中對于目標(biāo)域樣本與特征空間上類別條件概率分布的一致性，以解決域自適應(yīng)中的負(fù)遷移問題。

具體來說本發(fā)明提出了一種基于聯(lián)合聚類域自適應(yīng)的圖片分類方法，其中包括：

步驟1、通過特征提取網(wǎng)絡(luò)可分別提取源域圖片數(shù)據(jù)和目標(biāo)域圖片數(shù)據(jù)的特征，得到源域特征和目標(biāo)域特征；

步驟2、獲取類別聚類中心，基于該源域特征和該目標(biāo)域特征到該聚類中心的距離顯式表達(dá)域內(nèi)類別條件分布概率；

步驟3、通過最小化源域數(shù)據(jù)標(biāo)簽與域內(nèi)類別條件分布概率的相對熵距離，更新該特征提取網(wǎng)絡(luò)與類別聚類中心；

步驟4、通過最小化目標(biāo)域數(shù)據(jù)的標(biāo)簽分配與域內(nèi)類別條件分布概率的相對熵距離，再次更新特征提取網(wǎng)絡(luò)與聚類中心；

步驟5、將待分類圖片輸入經(jīng)過再次更新的特征提取網(wǎng)絡(luò)，得到待分類圖片的圖片特征，計算該圖片特征與經(jīng)過再次更新的類別聚類中心中所有類別中心的距離，表示該待分類圖片屬于各類別的概率，取概率最大的類別作為該待分類圖片的圖片分類結(jié)果。

所述的基于聯(lián)合聚類域自適應(yīng)的圖片分類方法，其中該步驟1包括利用該特征提取網(wǎng)絡(luò)提取源域和目標(biāo)域圖片數(shù)據(jù)的特征：

其中為輸入圖片數(shù)據(jù)，表示參數(shù)為θ_R的神經(jīng)網(wǎng)絡(luò)，表示輸出特征。

所述的基于聯(lián)合聚類域自適應(yīng)的圖片分類方法，其中該步驟2包括：

其中表示類別j圖片的特征聚類中心，p(y_j|x_i,q)表示圖片樣本x_i屬于類別y_j的域內(nèi)類別條件分布概率。

所述的基于聯(lián)合聚類域自適應(yīng)的圖片分類方法，其中該步驟3中最小化源域數(shù)據(jù)標(biāo)簽與域內(nèi)類別條件分布概率的相對熵距離具體為：