[發明專利]基于在線域自適應深度學習的圖片分類方法及系統在審
| 申請號： | 202111088084.5 | 申請日： | 2021-09-16 |
| 公開（公告）號： | CN113936168A | 公開（公告）日： | 2022-01-14 |
| 發明（設計）人： | 汪瑜;張蕊;張曦珊;劉少禮 | 申請（專利權）人： | 中國科學院計算技術研究所 |
| 主分類號： | G06V10/764 | 分類號： | G06V10/764;G06K9/62;G06N3/08 |
| 代理公司： | 北京律誠同業知識產權代理有限公司 11006 | 代理人： | 祁建國 |
| 地址： | 100080 北*** | 國省代碼： | 北京;11 |
| 權利要求書： | 查看更多 | 說明書： | 查看更多 |
| 摘要： | |||
| 搜索關鍵詞： | 基于 在線 自適應 深度 學習 圖片 分類 方法 系統 | ||
1.一種基于在線域自適應深度學習的圖片分類方法，其特征在于，包括：
步驟1、通過特征提取網絡可分別提取源域圖片數據和目標域圖片數據的特征，得到源域特征和目標域特征；
步驟2、獲取類別聚類中心，基于該源域特征和該目標域特征到該聚類中心的距離顯式表達域內類別條件分布概率；
步驟3、通過最小化源域數據標簽與域內類別條件分布概率的相對熵距離，更新該特征提取網絡與類別聚類中心；
步驟4、通過下式求解運輸問題，得到目標域樣本的類別分配：
式中γ*為該類別分配，其中表示目標域樣本與類別的聯合概率空間，q表示類別，為所有類別聚類中心，c(zt，q)表示由樣本zt運輸至類別q的代價，γ(zt，q)表示在當前運輸策略γ下由目標域樣本zt運輸至類別q的大小，α為樣本測度，β為類別測度β；
步驟5、通過最小化該類別分配與域內類別條件分布概率的相對熵距離，再次更新特征提取網絡與聚類中心；
步驟6、將待分類圖片輸入經過再次更新的特征提取網絡，得到待分類圖片的圖片特征，計算該圖片特征與經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果。
2.如權利要求1所述的基于聯合聚類域自適應的圖片分類方法，其特征在于，該步驟1包括利用該特征提取網絡提取源域和目標域圖片數據的特征：
其中為輸入圖片數據，表示參數為θR的神經網絡，表示輸出特征。
3.如權利要求2所述的基于聯合聚類域自適應的圖片分類方法，其特征在于，該步驟2包括：
其中q表示中的聚類中心的特征，表示類別j圖片的聚類中心特征，p(yj|xi，q)表示圖片樣本xi屬于類別yj的域內類別條件分布概率p。
4.如權利要求3所述的基于聯合聚類域自適應的圖片分類方法，其特征在于，該步驟3中最小化源域數據標簽與域內類別條件分布概率的相對熵距離具體為：
其中N表示源域內樣本數量，表示源域中樣本xi的類別標簽，表示源域樣本xi經過神經網絡提取到的特征。
5.如權利要求4所述的基于聯合聚類域自適應的圖片分類方法，其特征在于，步驟5中最小化目標域數據的類別分配與域內類別條件分布概率的相對熵距離具體為；
其中γi，j表示由i運輸至j的大小，表示源域樣本xj的類別類別分配，表示源域樣本xi經過神經網絡提取到的特征。
該專利技術資料僅供研究查看技術是否侵權等信息，商用須獲得專利權人授權。該專利全部權利屬于中國科學院計算技術研究所，未經中國科學院計算技術研究所許可，擅自商用是侵權行為。如果您想購買此專利、獲得商業授權和技術合作，請聯系【客服】
本文鏈接：http://www.szxzyx.cn/pat/books/202111088084.5/1.html，轉載請聲明來源鉆瓜專利網。
