一种基于增强重建分类网络的盲领域图像分类与重建方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN110909783A(43)申请公布日2020.03.24(21)申请号201911118540.9(22)申请日2019.11.15(71)申请人重庆邮电大学地址400065重庆市南岸区崇文路2号(72)发明人陶洋胡昊鲍灵浪孙雨浩郭坦(51)Int.Cl.G06K9/62(2006.01)G06N3/04(2006.01)权利要求书1页说明书4页附图2页(54)发明名称一种基于增强重建分类网络的盲领域图像分类与重建方法(57)摘要在实际场景中，测试数据通常与训练数据的分布不同，并且在训练数据上训练的模型在测试数据中的表现可能会更差，从而导致较差的视觉分类性能。该问题主要是由于域偏差引起的，而域适应通过设计减少分布差异的模型来解决此问题。目前的方法依赖自目标域数据样本参与训练。但是，目标域的测试数据一般无法获取。对于这个盲领域适应问题，提出了一种基于增强重建分类网络的盲领域图像分类与重建方法。使用已训练的源域模型的重建管道增强目标域特征，使其更接近源域的正确类。最后可以使用源域模型的分类管道进行分类。在基准数据集上进行的实验证明，方法在跨域视觉识别方面明显优于最新方法。CN110909783ACN110909783A权利要求书1/1页1.一种基于增强重建分类网络的盲领域图像分类与重建方法，其特征在于包括以下4个步骤：步骤1、预处理：源域图像数据集，获得源域训练数据集。训练集中包含源域图像数据的原始数据信息Xs和高层语义信息Ys；步骤2、建立源域模型和训练：根据重建分类神经网络模型，将网络模型设置成为单输入通道和双输出通道。两个输出通道分别对应图像分类通道和图像重建通道。根据权重更新和结束规则，联合学习训练网络；步骤3、建立增强模型并增强：将待识别的目标域图像样本数据，分类和数据重建通道联合学习训练，网络权重更新和结束规则；步骤4、利用源域模型进行分类：将待识别的图像样本信息输入已训练好的超限隐表示学习模型，得到样本的目标分类和重建信息。2.一种基于增强重建分类网络的盲领域图像分类与重建方法，其特征在于，所述步骤2中，建立源域模型和训练，保证该网络模型包含一个输入通道和两个输出通道；输入通道用于接收原始数据或特征信息为xs；重建分类网络图像分类通道输出数据分类信息，重建分类网络图像分类通道和重建分类网络图像重建通道可以分别看作解决如下学习模型：其中genc为共享编码函数方法，grec为数据重建函数方法，gcla为数据分类函数方法；交替优化目标函数：min(fc(xs)-ys)+(fr(xs)-xs)。3.一种基于增强重建分类网络的盲领域图像分类与重建方法，其特征在于，所述步骤3中，利用步骤2中的fr(xs)数据重建通道对目标域数据xt进行数据增强；基于重建分类网络的盲领域图像增强模型如下：交替优化目标函数：min(fr(fa(xt))-xt)+(fa(xt)-xt)。4.一种基于增强重建分类网络的盲领域图像分类与重建方法，其特征在于，所述步骤4中，将待识别的目标域图像信息输入已训练好的重建分类网络模型，可以同时得到图像分类和图像重建结果。2CN110909783A说明书1/4页一种基于增强重建分类网络的盲领域图像分类与重建方法技术领域[0001]本发明属于图像分类和模式识别领域，特别涉及一种基于增强重建分类网络的盲领域图像分类与重建方法背景技术[0002]传统机器学习分类算法的基本假设是，训练和测试数据是从同一分布中提取的。但是，在许多现实世界中的计算机视觉应用中，训练和测试数据很少以相同的方式分布。例如，用于面部识别系统的高分辨率ID卡照片和低分辨率嘈杂的监视图像之间的分配可能会有所不同。类似地，从互联网下载用于训练的图像与来自真实场景中不同照明或角度的图像之间的分布也不同。在这种情况下，训练和测试集之间的较大分布差异将削弱训练和测试集所具有的类间差异。因此，设计对分布不匹配具有鲁棒性的分类器非常重要。此问题可以通过领域自适应DA方法解决。[0003]DA算法旨在减少域之间的差异并消除分布不匹配对类间差异的影响。通常，传统的DA方法可以分为半监督和非监督方法。对于半监督方法，训练数据由大量标记的源域数据和有限的标记目标域数据组成。对于无监督方法，训练数据由标记的源域数据和未标记的目标域数据组成。确保无监督的方法更符合实际情况。[0004]从适用场景可以看出，在半监督和非监督域适配中，需要目标域数据参与训练。例如，子空间学习算法主要将项目域与子空间之间的差异最小化以进行域自适应，从而找到一种从源子空间转换为目标子空间的方法或对齐通过投影将源子空间和目标子空间。因此，这些方法的性能将由于目标域的欠采样而受到影响，而后者无法准确计算目标子空间。同样，试图减