[发明专利]基于最大均值差异的负迁移样本筛选方法

权利要求书

1.基于最大均值差异的负迁移样本筛选方法，其特征在于，包括如下步骤：

步骤1：对数据进行预处理

将图像变成统一的大小，并将图片进行归一化处理；

步骤2：将处理好的数据放进预训练好的深度迁移学习网络中做前向传播，并计算源领域数据和目标领域数据之间的MMD距离，通过MMD阈值来判别是否跟目标域领域数据相似；

所述步骤2的预训练过程为：

步骤2.1：通过微调的方法，将office31的数据集输入到在ImageNet上训练好的AlexNet模型，固定AlexNet的第七层全连接层，通过最小化损失项，损失项收敛后，得到一个在office31数据集上的模型，提高分辨率；

步骤2.2：通过最小化损失项，使得网络提取到的特征既可以进行分类又是域间不变的，损失项趋于收敛后，可以得到一个从源领域迁移到目标领域的模型，

在该模型中，计算一个批次的MMD约束如下：

所述MMD阈值为B＝(2K/m)^1/2，m指的源领域样本数量，n表示的目标领域样本数量，X表示源域数据，Y表示目标域数据，k(x_i,y_j)表示核函数；

步骤3：通过MMD距离来修正每个类别中样本的权值；

步骤4：重复步骤2-3步骤，迭代100000次之后，得到一个最终的权值，并进行排序，设置临界值来取前N个样本，为该类别的正迁移的样本；

步骤5：将源领域的正迁移样本重新输入深度迁移学习网络中，重新对网络进行训练，提高目标领域的识别率。

2.如权利要求1所述的基于最大均值差异的负迁移样本筛选方法，其特征在于，所述步骤2中深度迁移学习网络包括源领域和目标领域，所述源领域和目标领域分别由4个叠加的卷积层、3个全连接层通信连接。

3.如权利要求1所述的基于最大均值差异的负迁移样本筛选方法，其特征在于，所述步骤3的过程为：

假定在(0，B)范围内作出接受的决策，假定大于B，作出拒绝的决策；

对接受的批次数据的权值进行更新，将权值增加1，得到更新后的权值

B表示MMD阈值，B＝(2K/m)^1/2。

4.如权利要求1所述的基于最大均值差异的负迁移样本筛选方法，其特征在于，步骤5的具体过程为：

将源领域的负迁移本剔除，然后再将其放入深度迁移网络中训练，通过梯度下降法使损失最小，提高目标领域的分类识别精度。

5.如权利要求1所述的基于最大均值差异的负迁移样本筛选方法，其特征在于，所述步骤4的临界值设定为源领域样本的80％。