一种通过特征解耦实现无监督域自适应图像分类的方法.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115953618A(43)申请公布日2023.04.11(21)申请号202211555886.7G06N3/048(2023.01)(22)申请日2022.12.06G06N3/088(2023.01)G06N3/0464(2023.01)(71)申请人合肥学院地址230000安徽省合肥市经开发区锦绣大道99号(72)发明人吴志泽杜长江檀明孙斐汪新琪邹乐何立新张贯虹杨静年福东王晓峰(74)专利代理机构合肥中博知信知识产权代理有限公司34142专利代理师杨来宝(51)Int.Cl.G06V10/764(2022.01)G06V10/82(2022.01)G06V10/42(2022.01)权利要求书3页说明书7页附图1页(54)发明名称一种通过特征解耦实现无监督域自适应图像分类的方法(57)摘要本发明公开了一种通过特征解耦实现无监督域自适应图像分类的方法，其步骤包括：1、对包含具有N个类别图像的数据进行图像预处理；2、构建基于互信息的特征解耦与域自适应网络模型；3、使用交替迭代优化的方式训练构建的网络模型；4、利用训练好的模型对待分类的图像进行预测，实现图像的分类识别。本发明能克服标注数据集耗时的问题以及跨域图像分类中域偏移造成的负面影响，从而实现跨域图片的准确分类。CN115953618ACN115953618A权利要求书1/3页1.一种通过特征解耦实现无监督域自适应图像分类的方法，其特征在于，是按如下步骤进行：步骤1、对包含具有N个类别图像的数据集进行图像预处理；步骤2、构建基于互信息的特征解耦与域自适应网络模型,包括：源域全局特征提取器ES和目标域特征提取器Et，类别相关特征提取器Ecls_re，类别无关特征提取器Ecls_irre，图像生成器G，图像分类器C；步骤3、基于特征解耦实现无监督域自适应图像分类模型的四个学习策略，包括有监督学习策略，基于互信息的特征解耦学习策略，基于动态局部最大均值差异的域对齐学习策略以及图像重构学习策略；步骤4、构造总体损失函数，使用交替迭代优化的方式进行互信息估计器的训练与域自适应网络模型的学习，从而得到最优跨域图像分类模型。2.根据权利要求1中所述的一种通过特征解耦实现无监督域自适应图像分类的方法，其特征在于，步骤1具体为：令源域S中任意一个样本为(xs,ys),其中Xs表示源域中的图像，ys∈{0,1,2,...,N}表示图像的类别，其中N为类别的个数。令目标域T中任意一个样本为(xt,yt),其中Xt表示源域中的图像，yt∈{0,1,2,...,N}表示图像的类别，其中N为类别的个数。将源域和目标域中所有图片放缩为大小为224*224的图片。3.根据权利要求1中所述的一种通过特征解耦实现无监督域自适应图像分类的方法，其特征在于，步骤2具体为：步骤2.1、构建所述特征提取器ES与Et，ES与Et有相同的网络结构，且共享网络权重；所述特征提取器为ResNet50结构，由一个卷积层，一个批归一化层，一个RELU激活函数层，一个最大池化层，四个深度残差块和一个平均池化层组成；步骤2.2、提取图像全局特征：分别将所述的图像数据集S和T的任意一张图像Xs和Xt输入所述特征提取器ES与Et中，获得全局特征和步骤2.3、构建所述特征提取器Ecls_re与Ecls_irre，包含三个全连接层，两个批标准化层，两个激活层；步骤2.4、提取类别相关特征和类别无关特征实现特征解耦将所述特征输入Ecls_re与Ecls_irre中，得到类别相关特征和类别无关特征同样地，将输入Ecls_re与Ecls_irre中，得到类别相关特征和类别无关特征步骤2.5、构建所述生成器G，包含三个全连接层；步骤2.6、获得的生成图片将所述和拼接并输入到生成器G中，得到生成的图片同样地，将所述和拼接并输入到生成器G中，得到生成的图片步骤2.7、构建分类器C，包含一个全连接层；2CN115953618A权利要求书2/3页步骤2.8、将所述类别相关特征输入C中，得到预测的类别4.根据权利要求1中所述的一种通过特征解耦实现无监督域自适应图像分类的方法，其特征在于，步骤3具体为：步骤3.1、有监督学习策略根据输入图片的标签ys以及分类器预测的该图片的类别利用式(1)构建分类损失Lcls:式(1)中crossentropy代表交叉熵损失函数；步骤3.2、基于互信息的特征解耦学习策略:步骤3.2.1、利用式(2)构建互信息估计器，用梯度下降法来最大化公式(4)，其中表示在给定的n个独立独立同分布上的经验分布，T是一个具有多个全连接层的神经网络，用于估计互信息，θ是神经网络的参数。步骤3.2.2、得到训练好的互信息估计器后，利用所述估计器计算式(3)互信息损失：步骤3.3、基