图像分类方法，参数训练方法和图像分类装置.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115049869A(43)申请公布日2022.09.13(21)申请号202110256627.3G06N3/04(2006.01)(22)申请日2021.03.09G06N3/08(2006.01)(71)申请人西交利物浦大学地址215123江苏省苏州市工业园区独墅湖高等教育区仁爱路111号申请人富士通株式会社(72)发明人黄开竹高志强张锐王秋锋钟朝亮(74)专利代理机构北京三友知识产权代理有限公司11127专利代理师张祥意陶海萍(51)Int.Cl.G06V10/764(2022.01)G06V10/44(2022.01)G06V10/82(2022.01)权利要求书2页说明书13页附图5页(54)发明名称图像分类方法，参数训练方法和图像分类装置(57)摘要本发明实施例提供一种图像分类方法和装置，参数训练方法，该图像分类方法包括：将输入图像数据输入分类器中，提取输入图像数据的特征向量，根据该特征向量对该输入图像数据进行分类，得到各输入图像数据对应的预测标签，并确定第一损失函数；该标签表示该输入图像数据所属的类别；该输入图像数据包括源域图像数据和目标域图像数据；判别器根据该特征向量的梯度判别该梯度对应的预测域标签是源域或目标域，并确定第二损失函数；根据该第一损失函数和该第二损失函数，训练并更新该分类器和该判别器的参数，直至该第一损失函数和该第二损失函数最优化；参数更新后的所述分类器对需要分类的输入图像数据进行分类，以得到所述需要分类的输入图像数据的分类结果。CN115049869ACN115049869A权利要求书1/2页1.一种图像分类装置，其特征在于，所述装置包括：分类器，其用于提取输入图像数据的特征向量，根据所述特征向量对所述输入图像数据进行分类，得到各输入图像数据对应的预测标签；所述标签表示所述输入图像数据所属的类别；所述输入图像数据包括源域图像数据和目标域图像数据；判别器，其用于根据所述特征向量的梯度判别所述梯度对应的预测域标签是源域或目标域；处理单元，其用于确定第一损失函数和第二损失函数，根据所述第一损失函数和所述第二损失函数训练并更新所述分类器和所述判别器的参数，直至所述第一损失函数和所述第二损失函数最优化；并且，参数更新后的所述分类器对需要分类的输入图像数据进行分类，以得到所述需要分类的输入图像数据的分类结果。2.根据权利要求1所述的装置，其特征在于，所述装置还包括：梯度计算单元，其用于根据所述第一损失函数和第三损失函数计算所述特征向量的梯度；所述第一损失函数是所述源域图像数据的损失函数，所述第三损失函数是所述目标域图像数据的损失函数。3.根据权利要求2所述的装置，其特征在于，所述梯度计算单元使用反向传播算法计算所述特征向量的梯度。4.根据权利要求1所述的装置，其特征在于，所述处理单元根据所述特征向量的梯度确定所述第二损失函数。5.根据权利要求2所述的装置，其特征在于，所述特征向量的梯度包括第一梯度和第二梯度，所述梯度计算单元根据所述第一损失函数确定所述第一梯度，根据所述第三损失函数确定所述第二梯度。6.根据权利要求1所述的装置，其特征在于，所述装置还包括：修复单元，其用于修复目标域图像数据对应的伪标签。7.根据权利要求6所述的装置，其特征在于，所述分类器对修复伪标签后的目标域图像数据进行分类，并且，所述处理单元根据分类结果确定所述第三损失函数。8.根据权利要求1所述的装置，其特征在于，所述处理单元还用于计算源域图像数据经过所述分类器的输出向量相对于所述源域图像数据提取的特征向量求导的雅克比矩阵，并根据所述第一损失函数和所述第二损失函数以及所述雅克比矩阵的范数，训练所述分类器和所述判别器的参数，直至所述第一损失函数和所述第二损失函数最优化以及所述雅克比矩阵的范数最小。9.一种图像分类方法，其特征在于，所述方法包括：将输入图像数据输入分类器中，提取输入图像数据的特征向量，根据所述特征向量对所述输入图像数据进行分类，得到各输入图像数据对应的预测标签，并确定第一损失函数；所述标签表示所述输入图像数据所属的类别；所述输入图像数据包括源域图像数据和目标域图像数据；判别器根据所述特征向量的梯度判别所述梯度对应的预测域标签是源域或目标域，并确定第二损失函数；2CN115049869A权利要求书2/2页根据所述第一损失函数和所述第二损失函数，训练并更新所述分类器和所述判别器的参数，直至所述第一损失函数和所述第二损失函数最优化；将需要分类的输入图像数据输入参数更新后的所述分类器，以得到输入图像数据的分类结果。10.一种用于训练图像分类器参数的参数训练方法，其特征在于，所述方法包括：将输入图像数据输入分类器中，提取输入图像数据的特征向量，根据所述特征向量对所述输入