[发明专利]一种保持图像分类稀疏结构的迁移分类学习方法

权利要求书

1.一种保持图像分类稀疏结构的迁移分类学习方法，其特征在于，包括以下步骤：

步骤1)，采集源域图像数据、源域图像标签与目标域图像数据，所述源域图像数据和目标域图像数据的特征空间相同；

步骤2)，利用源域图像数据和源域图像标签训练得到监督分类器，使用目标域图像数据在监督分类器上得到目标域图像伪标签；

步骤3)，利用SLEP工具包导入源域图像数据和目标域图像数据组成的所有数据，得到用于刻画所有数据结构特性的稀疏矩阵S；

步骤4)，使用源域图像数据、源域图像标签、目标域图像数据、目标域图像伪标签构造第一分类器约束项，即联合分布项，以减少源域图像数据和目标域图像数据的分布差异；

步骤5)，使用源域图像数据、目标域图像数据和稀疏矩阵S构造第二分类器约束项，即稀疏结构保持项，以保持所有数据的结构特性；

步骤6)，使用源域图像数据、源域图像标签构造第三分类器约束项，即结构风险最小化项，以减少源域图像标签和源域图像预测标签之间的差异；

步骤7)，将联合分布项、稀疏结构保持项、结构风险最小化项组合构成分类器约束框架；

步骤8)，给定带有分类器系数α的预测分类器公式，将分类器公式带入分类器约束框架中，此时分类器约束框架为关于分类器系数α的函数，求解得到分类器系数α、即得到最终的预测分类器，然后输入目标域图像数据，得到目标域图像预测标签，完成目标域图像数据分类任务。

2.根据权利要求1所述的保持图像分类稀疏结构的迁移分类学习方法，其特征在于，所述步骤1)的详细步骤如下：

步骤1.1)，采集源域图像数据和源域图像标签；

令源域图像数据集合D_s为源域所有图像x_i的集合，图像x_i的维数为D，其中，i＝1,2,3……n，n为源域图像数据中图像的张数；

令源域图像标签集合Y_s为源域图像数据集合D_s中各幅图像对应的标签数据的数据集，y_i为x_i对应的标签；

令Y_s数据集中包含C种类别，y_i的取值为1到C，C为小于等于n的自然数；

令源域图像数据集合D_s中属于第c种类别的数据组成的集合为D_s^(c)，1＝c＝C，且c为整数，则D_s^(c)包含n^(c)个数据点，D_s由属于所有类别的D_s^(c)组成，n＝n⁽¹⁾+n⁽²⁾+…+n^(C)；

步骤1.2)，采集目标域图像数据；

令目标域图像数据集合D_t为目标域图像x_j的集合，图像x_j的维数是D，j＝n+1,n+2,n+3……n+m，m为目标域图像数据中图像的张数，目标域与源域的特征空间相同。

3.根据权利要求2所述的保持图像分类稀疏结构的迁移分类学习方法，其特征在于，所述步骤2)的详细步骤如下：

步骤2.1)，利用源域图像数据和源域图像标签，使用SVMs监督方法训练并使用拉格朗日乘子法求解，得到监督学习分类器；

步骤2.2)，将目标域图像数据集合D_t代入所述监督学习分类器中，输出目标域每幅图像数据的伪标签

4.根据权利要求3所述的保持图像分类稀疏结构的迁移分类学习方法，其特征在于，所述步骤6)中第三分类器约束项构造如下：

其中，l(f(x_i,y_i))＝(y_i-f(x_i))²为平方损失函数，σ为预设的收缩正则化参数，用以控制预测分类器复杂度，H_K是属于核空间中的一组预测分类器，l用于测量预测分类器得到的源域图像预测标签f(x_i)和源域图像标签y_i之间的匹配度。

5.根据权利要求4所述的保持图像分类稀疏结构的迁移分类学习方法，其特征在于，所述步骤7)中分类器约束框架构造如下：

其中，λ为预设的D_f,K(J_s,J_t)的正则化参数。