[发明专利]基于卷积神经网络的半监督迁移学习字符识别方法及系统

权利要求书

1.基于卷积神经网络的半监督迁移学习字符识别方法，其特征在于，包括：

步骤1、将目标域中无类别标签的批量字符图像样本作为测试样本集输入半监督迁移学习后的卷积神经网络，识别所述测试样本集的字符图像；

所述半监督迁移学习后的卷积神经网络由源域中有类别标签的批量字符图像样本、目标域中有类别标签的批量字符图像样本以及所述目标域中无类别标签的批量字符图像样本联合训练所得；所述半监督迁移学习后的卷积神经网络由源域中有类别标签的批量字符图像样本、目标域中有类别标签的批量字符图像样本以及所述目标域中无类别标签的批量字符图像样本联合训练所得，包括：

将源域中有类别标签的批量字符图像样本作为第一训练集，对预设的卷积神经网络进行监督学习，得到第一识别模型；

将目标域中有类别标签的批量字符图像样本作为第二训练集，对所述第一识别模型进行监督迁移学习，得到第二识别模型；

在所述第二识别模型中添加无监督学习目标函数，并将所述无监督学习目标函数与所述第二识别模型中的监督学习目标函数结合，以构建第三识别模型；

将所述目标域中有类别标签的批量字符图像样本和所述目标域中无类别标签的批量字符图像样本作为第三训练集，对所述第三识别模型进行半监督迁移学习，以得到所述半监督迁移学习后的卷积神经网络；步骤1之前所述方法还包括：

对所述源域中有类别标签的批量字符图像样本、所述目标域中有类别标签的批量字符图像样本以及所述目标域中无类别标签的批量字符图像样本进行图像二值化和图像大小归一化；所述无监督学习的目标函数的表达式为：

其中，L_U是所述无监督学习的目标函数，x^l为目标域中有类别标签的批量字符图像样本在所述第三识别模型的全连接层输出的向量，x^u为所述目标域中无类别标签的批量字符图像样本在所述第三识别模型的全连接层输出的向量，n为向量x^l,x^u的维度，k(,)为核函数；

所述无监督学习目标函数与所述第二识别模型中的监督学习目标函数结合的表达式为：

L＝L_S+L_U(x^l,x^u)，

其中，所述L为结合后的半监督迁移学习的目标函数，L_s为所述第二识别模型中的监督学习目标函数；所述核函数为预设数量的高斯核函数，所述高斯核函数为：

其中，所述γ_m为第m个高斯核函数的带宽参数，m＝1,...M，M为所述预设数量。

2.根据权利要求1所述的方法，其特征在于，将源域中有类别标签的批量字符图像样本作为第一训练集，对预设的卷积神经网络进行监督学习，得到第一识别模型，包括：

将所述源域中有类别标签的批量字符图像样本作为第一训练集输入所述预设的卷积神经网络中；

基于预设的训练次数和所述卷积神经网络的监督学习目标函数，利用所述第一训练集对所述卷积神经网络进行训练，以得到训练后的所述第一识别模型。

3.根据权利要求1所述的方法，其特征在于，所述将所述目标域中有类别标签的批量字符图像样本和所述目标域中无类别标签的批量字符图像样本作为第三训练集，对所述第三识别模型进行半监督迁移学习，以得到所述半监督迁移学习后的卷积神经网络，包括：

将所述目标域中有类别标签的批量字符图像样本和所述目标域中无类别标签的批量字符图像样本同时输入所述第三识别模型中，获取所述目标域中有类别标签的批量字符图像样本对应的第一全连接层输出向量和所述目标域中无类别标签的批量字符图像样本对应的第二全连接层输出向量；

基于所述第一全连接层输出向量和所述第二全连接层输出向量，计算所述无监督学习的目标函数；

基于所述无监督学习的目标函数和获取的所述第二识别模型中的监督学习目标函数，利用反向传播和梯度下降法对所述第三识别模型进行半监督迁移学习，以得到所述半监督迁移学习后的卷积神经网络。