[发明专利]一种基于半监督广域迁移度量学习的小样本目标识别方法

权利要求书

1.一种基于半监督广域迁移度量学习的小样本目标识别方法，其特征在于，该方法具体包括以下步骤：

步骤(1)、选择源域图像对、中间域图像对和目标域图像对；

目标域图像对是两个某类具体型号的目标图像，源域图像对是和目标域图像对类似的图像对，中间域图像对是利用大量的无标签样本构建的；

步骤(2)、构建特征子网络；

直接提取典型深度网络的前几个卷积层，构建特征子网络；

步骤(3)、构建差异特征向量；

用差异特征向量表示图像对在特征空间上的相对距离，拟将图像对相应的特征子网络输出相减并转换为一维向量，从而获得差异特征向量；

步骤(4)、构建编码器、二分类器和解码器；

源域、中间域样本选择依据之一是：入选的源域、中间域样本与目标域样本一起，经编码与解码后的重构误差对应的代价函数是：

其中f_e，f_d分别为编码器与解码器，x_S，x_I，x_T分别为源域、中间域、目标域的差异特征向量，是经编码-解码处理后的源域、中间域、目标域的重构差异特征向量；ν_S,ν_I分别是源域、中间域样本是否入选的标示，1代表入选，0代表未入选；n_S、n_I、n_T分别表示源域、中间域、目标域样本的数量，L_r表征的是入选的源域、中间域样本与目标域样本的重构误差；

源域、中间域样本选择的另外一个依据是：入选的源域、中间域样本与目标域样本一起，编码后得到的特征所具备的鉴别性对应的代价函数是：

其中f_c是二分类器，y_S，y_T是源域、目标域样本的标签；δ(·,·)表征两个输入参数值是否一致，一致为0，不一致为1；g(z)用于衡量输入参数的预测的可信度：g(z)＝-zlnz-(1-z)ln(1-z)；

总的优化目标函数为：

其中θ是f_c,f_e,f_d的参数集合；

当θ固定不变时，源域、中间域样本可根据下式进行选择：

当ν_S,ν_I固定不变时，θ通过误差后向传播算法进行寻优求解；由此，可通过迭代的方式，学习得到θ与ν_S,ν_I。

2.根据权利要求1所述的一种基于半监督广域迁移度量学习的小样本目标识别方法，其特征在于：所述的步骤(2)中直接提取典型深度网络为AlexNet、VGG-16或VGG-19。