[发明专利]一种基于张量分解和域适应的图像分类方法

说明书

本发明公开一种基于张量分解和域适应的图像分类方法，步骤是：使用深度学习网络提取源域图像和目标域图像的特征，使用张量表示，分别为X_S、X_T，拼接源域和目标域的特征，记为X，X_S、X_T、X均为四阶张量；利用Tensor Ring分解方法，将X分解为四个三阶张量{U₁,U₂,U₃,U₄}；将X_S与U₁,U₂,U₃进行相乘，得到newX_S；对X_T与U₁,U₂,U₃进行相乘，得到newX_T；对newX_S、newX_T进行重塑，将源域和目标域的特征转换为矩阵的形式，分别为X_train、X_test；使用X_train训练网络对X_test进行分类。此种方法可对没有标签的图像进行分类。

技术领域

本发明属于迁移学习的域适应领域和图像分类领域，特别涉及一种基于张量分解和域适应的图像分类方法。

背景技术

在新领域完成图像分类任务时，往往没有足够的已标注数据可以利用，数据的标注是一个耗时且昂贵的操作，但机器学习模型的训练和更新，均依赖于数据的标注。而且机器学习方法都有一个基本假设：训练数据和测试数据必须服从相同的分布。然而，在许多情况下，这种同分布假设并不能得到满足。迁移学习不需要满足这种假设就可以进行，因而能够在彼此不同但又相互关联的两个领域间实现知识的迁移和复用。所以可以寻找与目标域数据相似的数据集作为源域，利用源域数据和目标域数据之间的相似性，以及源域数据的标签，将源域中的知识迁移到目标域的任务中。

域适应是迁移学习领域最火的研究点，其目标是在源域和目标域的类别空间和特征空间一样但数据分布不同的情况下，利用有标注的源域数据去学习一个分类器来预测目标域数据的标签。所以可以利用域适应方法实现对目标域图像的分类。

现有的大多数域适应方法都是只适用于向量，用这些方法表示高维数据时，需先将数据向量化，这严重破坏了高维数据的本征结构。而且表示高维数据时，向量表示会导致大量参数估计的误差和计算复杂度的提高。虽然张量已广泛应用于计算机视觉，可完整地表示高维数据并且能维持高维空间数据的本征结构信息，但基于张量的域适应方法很少，张量表示可使用张量分解，将多维代替高维，避免了维度增加带来的误差和代价。

2017年，Lu H提出将张量应用于域适应(参见“Lu H,et al.When unsuperviseddomain adaptation meets tensor representations.The IEEE InternationalConference on Computer Vision(ICCV).Vol.2.2017.”)，假设源域和目标域共享一部分子空间，使用张量表示源域和目标域的特征，经过张量Tucker分解得到特征张量分为核张量和一系列的因子矩阵，这一系列矩阵就可以表示域间共享的子空间。但基于Tucker分解的域适应方法不仅复杂度太高，而且削弱了子空间的全局表示，效果并没有达到很高的水平。

针对已有的域适应方法的缺点，有必要提供一种高效的、新颖的方法，能在维持数据本征结构的同时，最大限度地减小源域和目标域之间数据分布的差异。

发明内容

本发明的目的，在于提供一种基于张量分解和域适应的图像分类方法，其可对没有标签的图像进行分类。

为了达成上述目的，本发明的解决方案是：

一种基于张量分解和域适应的图像分类方法，包括如下步骤：