[发明专利]用于图像分类的迁移学习方法、相关装置及存储介质

权利要求书

1.一种用于图像分类的迁移学习方法，其特征在于，所述方法包括：

将源域图像数据和目标域图像数据映射到流形空间，在流形空间中根据所述源域图像数据得到所述目标域图像数据的伪标签；

将所述源域图像数据与带有伪标签的所述目标域图像数据对齐，得到对齐后的所述源域图像数据和对齐后的所述目标域图像数据；

利用对齐后的所述源域图像数据构建分类器，采用构建好的分类器对对齐后的所述目标域图像数据进行分类，得到所述目标域图像数据的预测标签；

基于所述预测标签对所述目标域图像数据分类，得到分类结果。

2.根据权利要求1所述的方法，其特征在于，所述根据所述源域图像数据得到所述目标域图像数据的伪标签，包括：

针对所述目标域图像数据中的目标数据点，在所述源域图像数据中确定出所述目标数据点的k个光谱近邻点；

判断所述k个光谱近邻点对应的真实标签是否一致；

在所述k个光谱近邻点对应的真实标签一致的情况下，将所述k个光谱近邻点的真实标签确定为所述目标数据点的伪标签。

3.根据权利要求1所述的方法，其特征在于，所述将所述源域图像数据与带有伪标签的所述目标域图像数据对齐，得到对齐后的所述源域图像数据和对齐后的所述目标域图像数据，包括：

构建第一目标函数；所述第一目标函数包括待求解的映射矩阵；

构建第一矩阵，通过所述第一矩阵和所述映射矩阵最小化流形空间中标签相同的数据点之间的距离；

构建第二矩阵，通过所述第二矩阵和所述映射矩阵最大化流形空间中标签不同的数据点之间的距离，以完成所述源域图像数据与带有伪标签的所述目标域图像数据的对齐，得到对齐后的所述源域图像数据和对齐后的所述目标域图像数据。

4.根据权利要求3所述的方法，其特征在于，所述利用对齐后的所述源域图像数据构建分类器，包括：

构建第二目标函数；

求解所述第二目标函数，得到所述映射矩阵；

基于所述映射矩阵以及对齐后的所述源域图像数据得到映射后的所述源域图像数据；

利用映射后的所述源域图像数据对分类器进行训练，得到构建好的分类器。

5.根据权利要求3所述的方法，其特征在于，所述采用构建好的分类器对对齐后的所述目标域图像数据进行分类，得到所述目标域图像数据的预测标签，包括：

基于所述映射矩阵以及对齐后的所述目标域图像数据得到映射后的所述目标域图像数据；

利用构建好的分类器对映射后的所述目标域图像数据进行分类，得到所述目标域图像数据的预测标签。

6.根据权利要求3所述的方法，其特征在于，所述第一目标函数采用流形正则化约束所述源域图像数据和所述目标域图像数据各自域内数据的局部几何结构，使得数据点保持在原始空间中的相对关系。

7.根据权利要求4所述的方法，其特征在于，所述通过所述第一矩阵和所述映射矩阵最小化流形空间中标签相同的数据点之间的距离采用第三目标函数实现；所述通过所述第二矩阵和所述映射矩阵最大化流形空间中标签不同的数据点之间的距离采用第四目标函数实现；

所述构建第二目标函数，包括：利用所述第一目标函数、所述第三目标函数以及所述第四目标函数构建所述第二目标函数。

8.一种用于图像分类的迁移学习装置，其特征在于，所述装置包括：

伪标签生成模块，用于将源域图像数据和目标域图像数据映射到流形空间，在流形空间中根据所述源域图像数据得到所述目标域图像数据的伪标签；

数据对齐模块，用于将所述源域图像数据与带有伪标签的所述目标域图像数据对齐，得到对齐后的所述源域图像数据和对齐后的所述目标域图像数据；

标签预测模块，用于利用对齐后的所述源域图像数据构建分类器，采用构建好的分类器对对齐后的所述目标域图像数据进行分类，得到所述目标域图像数据的预测标签；

数据分类模块，用于基于所述预测标签对所述目标域图像数据分类，得到分类结果。