[发明专利]一种基于迁移学习的地基云图分类方法

权利要求书

1.一种基于迁移学习的地基云图分类方法，其特征在于，该方法包括以下步骤：

步骤S1，构建提取特征的目标网络；

步骤S2，将来自源域和目标域的地基云图进行配对，得到相似图像对和非相似图像对，作为所述目标网络的输入进行迁移学习，得到特征提取训练模型；

步骤S3，基于所述特征提取训练模型，获取来自源域和目标域的测试地基云图的特征向量；

步骤S4，将测试地基云图的特征向量输入分类器进行分类，得到测试地基云图分类结果；

所述步骤S2包括以下步骤：

步骤S21，将多幅来自源域和目标域的地基云图作为训练地基云图，并获取每幅训练地基云图的类别标签；

步骤S22，根据所述类别标签，将来自源域和目标域的地基云图进行一一配对，将相同标签的两张图像作为相似图像对，将不同标签的两张图像作为非相似图像对；

步骤S23，将所述相似图像对和非相似图像对作为所述目标网络的输入，进行迁移学习，得到特征提取训练模型；

所述步骤S23包括以下步骤：

步骤S231，将每个图像对的两张图像分别输入到所述目标网络中的两个预训练网络模型中，以权重共享的方式进行前向传播，得到向量x，并计算损失值Loss；

步骤S232，计算所述损失值Loss的导数，通过反向传播对所述目标网络的参数进行更新，得到所述特征提取训练模型。

2.根据权利要求1所述的方法，其特征在于，所述步骤S1包括以下步骤：

步骤S11，选择m个预训练网络模型进行初始化，将预训练网络模型末端的输出个数均修改为地基云图的类别数目D，其中m为自然数，m＝2，3，…；

步骤S12，使用连接函数将所述m个预训练网络模型的输出向量进行连接，得到输出向量f；

步骤S13，将所述输出向量f输入到全连接层中，得到m维向量x；

步骤S14，将所述向量x输入到柔性最大值函数中，得到分类预测值

步骤S15，根据所述分类预测值和预先得到的分类真实值p_i，使用交叉熵损失函数计算损失值Loss，最终构建得到提取特征的目标网络。

3.根据权利要求2所述的方法，其特征在于，m＝2。

4.根据权利要求1所述的方法，其特征在于，所述步骤S3包括以下步骤：

步骤S31，将源域和目标域除训练地基云图外的地基云图作为测试地基云图，并获取每幅测试地基云图的类别标签；

步骤S32，将所述测试地基云图输入到所述特征提取训练模型中，选择所述特征提取训练模型中的一个卷积层，得到卷积激活图H×W×N，其中，H和W分别表示卷积激活图的高度和宽度，N表示卷积激活图的数目；

步骤S32，基于所述卷积激活图中每个位置的N个卷积激活值t∈R^1×1拟合得到单高斯模型，进而得到H×W个单高斯模型；

步骤S33，根据所述单高斯模型计算每个位置对应的单高斯概率g(t_i),i∈[1,N]，并进行权重池化，得到该位置的最终响应G(t)，对于所述卷积激活图，得到一个大小为H×W的响应特征图；

步骤S34，将步骤S33计算得到的大小为H×W的响应特征图表示成一个特征向量T∈R^(H×W)×1，即每张测试地基云图最终可以表示成特征向量T。

5.根据权利要求1所述的方法，其特征在于，所述分类器为径向基函数核SVM分类器。