[发明专利]一种基于类内结构紧致约束的无监督对抗域适应方法

权利要求书

1.一种基于类内结构紧致约束的无监督对抗域适应方法，其特征在于，包括以下步骤：

S1、获取用于训练的有标签的源域数据集以及无标签的目标域数据集；

S2、用神经网络模型提取数据集中每张图片的特征，并根据聚类算法构建提取到的特征的类内结构；

S3、利用对抗域适应算法训练神经网络，并在训练过程中以类内结构的紧致性作为条件约束神经网络；

S4、上一轮训练完成后，利用训练过的模型重新提取每张图片的特征以及特征的类内结构，并以此作为约束用对抗域适应算法进一步训练神经网络；

S5、不断重复步骤S4对神经网络进行特征提取，特征类内结构构造以及用以类内结构紧致性为条件的对抗域适应算法训练神经网络，直至网络收敛，得到最终的训练好的神经网络模型。

2.如权利要求1所述的基于类内结构紧致约束的无监督对抗域适应方法，其特征在于，定义的算法目标为：通过训练神经网络，使其能够为无标签的目标域数据集的每个样本预测对应的标签。

3.如权利要求1所述的基于类内结构紧致约束的无监督对抗域适应方法，其特征在于，步骤S1的具体实现步骤包括：

S11、获取包含n^s个样本x^s，以及它们对应的标签y^s的源域数据集

其中，表示源域数据集的第i个样本，表示样本的标签，{1,2,…,K}是源域样本所属的标签空间，共包含K类标签，且i∈{1,2,…,n^s}；

S12、获取包含n^t个样本x^t的目标域数据集

其中，表示目标域数据集的第j个个样本，j∈{1,2,…,n^t}；目标域数据集的每个样本的标签所属的类别空间和源域数据集的类别空间一致，即

4.如权利要求3所述的基于类内结构紧致约束的无监督对抗域适应方法，其特征在于，步骤S2的具体实现步骤包括：

S21、用一个神经网络的特征提取模块提取源域数据集以及目标域数据集中每张图片的特征：

其中，是神经网络的特征提取模块，是特征提取模块随机初始化后的参数；

S22、计算出源域中每个类别所有图片的特征的均值并用其初始化目标域每个类团的中心

其中，是源域第k个类别中样本的数量，是源域第k类的样本的特征的中心，是初始目标域特征的第k个类团的中心，k∈{1,2,…,K}；

S23、计算每个目标类团的中心与每个目标样本特征的球面空间距离：

其中，‖·‖代表内部变量的模，·,·代表两个变量的向量点积；

S24、通过对每个目标样本与每个目标类团的中心的距离排序，将每个样本归于其最近的类团，再重新计算出每个类团的中心

其中，代表属于类团特征的数量。

S25、不断交替迭代S23和S24进行聚类，直至类中心收敛，得到K个类团这K个类团代表目标域数据集的类内结构。