[发明专利]一种高性能的多域图像分类方法

权利要求书

1.一种高性能的多域图像分类方法，其特征在于，包括：

将所有域的训练数据分别输入至公有特征提取网络以及不同的私有特征提取网络中，其中，每一个域对应一个私有特征提取网络；

利用域共享类别分类器和域判别器来保证不同域公有特征之间联合分布的匹配；

在提取不同域私有特征时加入私有特征和公有特征之间的正交约束以及私有特征之间的正交约束来确保每个公有特征和私有特征子空间的独立性；

将提取到的每个域的私有特征和公有特征拼接，再输入每个域独有的分类网络中进行分类，得到分类结果。

2.根据权利要求1所述的一种高性能的多域图像分类方法，其特征在于，利用X，Y分别表示特征和类别空间，一个域的联合分布用P(X，Y)来表示，P_m(X，Y)表示第m个域数据集的联合分布，P_m(X)表示第m个域数据集的边缘分布；每个数据集由单个样本组成，其中N_m表示第m个域样本的数量；给定C个相关的域P₁(X，Y)，P₂(X，Y)…P_C(X，Y)，以及他们的数据集表示第m个域内第i个训练样本及其对应的类别；域图像分类方法的目标是学习一个多分枝模型f：X_m→Y_m，m＝{1，2，…，C}，以实现所有域内图像的正确分类。

3.根据权利要求2所述的一种高性能的多域图像分类方法，其特征在于，所述利用域共享类别分类器和域判别器来保证不同域公有特征之间联合分布的匹配时的损失函数为：

上式中，F_s代表公有特征提取网络，表示针对训练样本提取的公有特征，C_s为域共享分类网络，d_m代表第m个域的域判别器。

4.根据权利要求2所述的一种高性能的多域图像分类方法，其特征在于，所述私有特征和公有特征之间的正交约束表示为：

上式中，上标T为矩阵转置符号；S_m和H_m为两个矩阵，分别代表了第m个域的公有特征和私有特征，矩阵中的每一行分别对应训练样本的公有特征和私有特征

5.根据权利要求2所述的一种高性能的多域图像分类方法，其特征在于，所述私有特征之间的正交约束表示为：

上式中，上标T为矩阵转置符号；和为两个矩阵，分别代表了第m₁和第m₂个域的私有特征，矩阵中的每一行分别对应训练样本私有特征

6.根据权利要求2所述的一种高性能的多域图像分类方法，其特征在于，该方法还包括：在公有特征与私有特征拼接之前独立训练私有特征的过程，该过程中，将私有特征和零向量拼接，输入到相应域独有的分类网络进行训练，训练过程中将域独有的分类网络固定，仅训练私有特征，公式表示为：

上式中，zeros表示零向量，F_p表示私有特征提取网络，表示针对训练样本提取的私有特征，C_m代表第m个域独有的分类网络，L_p表示独立训练私有特征分类损失。

7.根据权利要求2或6所述的一种高性能的多域图像分类方法，其特征在于，所述将提取到的每个域的私有特征和公有特征拼接，再输入每个域独有的分类网络中进行分类表示为：

上式中，F_s代表公有特征提取网络，F_p表示私有特征提取网络，和分别表示针对训练样本提取的公有特征和私有特征，L_domain表示多域分类损失，C_m代表第m个域独有的分类网络。