[发明专利]一种基于对称矩阵空间子空间学习的格拉斯曼流形域自适应方法

说明书

本发明涉及机器学习领域的域自适应技术，提出了是一种基于对称矩阵空间子空间学习的格拉斯曼流形域自适应方法。为了减少源域和目标域数据概率分布的差异性，本方法首先建立从格拉斯曼流形到对称矩阵空间的映射，之后将源域和目标域的格拉斯曼流形矩阵数据映射到对称矩阵空间，并在此对称矩阵空间构造子空间。对原始数据在此子空间的投影利用均值相近准则，建立子空间学习的目标函数，并进行目标函数的优化求解获得目标子空间，在目标子空间上实现了原始数据在该目标子空间的投影概率分布相匹配，即原始数据经过从格拉斯曼流形到对称矩阵空间，再从对称矩阵空间到其子空间的两次变换，实现了域自适应。

技术领域

本发明涉及机器学习领域的域自适应技术，具体是一种格拉斯曼流形上的域自适应方法。

背景技术

传统的图像识别领域的相关应用中，通常假设训练数据(源域)和测试数据(目标域)概率分布相同或相似。但是在实际的应用中，诸如光照、背景、角度等因素的改变会导致源域与目标域的概率分布产生较大的差异，因此由源域数据训练产生的分类器往往不能在目标域数据产生较好的效果。域自适应任务便是期望通过相关算法使得源域目标域数据概率分布尽可能匹配，以解决实际应用中源域目标域数据概率分布不一致的问题。

最初，域自适应任务主要是用于统计机器学习、自然语言处理领域，用作传统机器学习、文本分类、情感分析等任务中，之后Kate Saenko等人(文献1，Adapting VisualCategory Models to New Domains.European Conference on Computer Vision,2010.)首次将域自适应技术应用于目标识别任务，提出了基于跨域变换的域自适应技术，通过学习一个正则的非线性变换，将源域的点映射得与目标域的点更为接近，以减少特征分布中由域变化产生的影响。

在目标识别任务中，以子空间为基础的方法是目前较为成功的域自适应方法。子空间为基础的方法旨在通过数据在单个或多个子空间上的表示，来对域迁移进行建模以挖掘域变换的本质。例如，S.J.Pan等人在最大均值差异准则基础上提出了TCA方法(文献2，Domain adaptation via transfer component analysis.IEEE Transactions on NeuralNetworks,2011.)，其算法本质是发现跨域特征表示，通过在再生核希尔伯特空间中学习跨域的迁移成分，在由这些迁移成分所张成的子空间，数据的性质得到保持，且不同域的数据分布彼此接近。在TCA基础上，相继有更多改进的算法提出，如JDA(文献3，TransferFeature Learning with Joint Distribution Adaptation.IEEE InternationalConference on Computer Vision,2013.)、TJM(文献4，Transfer Joint Matching forUnsupervised Domain Adaptation.IEEE Conference on Computer Vision and PatternRecognition,2014.)、BDA(文献5，Balanced Distribution Adaptation for TransferLearning.IEEE International Conference on Data Mining,2014.)等等，这些算法的本质都是寻找一个投影矩阵，以将数据投影至其对应子空间，获得跨域表示。