[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

说明书

本申请提供了一种用于图像分类的迁移学习方法，涉及人工智能技术领域，其中该方法包括：将源域图像数据和目标域图像数据映射到流形空间，在流形空间中根据源域图像数据得到目标域图像数据的伪标签；将源域图像数据与带有伪标签的目标域图像数据对齐，得到对齐后的源域图像数据和对齐后的目标域图像数据；利用对齐后的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目标域图像数据进行分类，得到目标域图像数据的预测标签；基于预测标签对目标域图像数据分类，得到分类结果。本申请实施例有利于提高迁移学习的效果，进而提高图像分类的准确性。此外，本申请还涉及区块链技术，构建的分类器可存储于区块链节点中。

技术领域

本申请涉及机器学习技术领域，尤其涉及一种用于图像分类的迁移学习方法、相关装置及存储介质。

背景技术

随着人工智能和机器学习的发展，迁移学习被广泛应用于图像、文本等各种分类问题中。传统的迁移学习算法通常在源域和目标域数据服从同一分布的假设上，用大量源域数据训练出用于对目标域数据进行分类的分类器，然而实际场景中该假设很难被满足。基于此，现有技术中也提出了减小两个域之间的数据分布差异的方法，认为源域和目标域之间存在着一个公共流形，在公共子空间中对齐源域和目标域的流行以减小二者的分布差异。但是，实际应用中源域和目标域之间并不存在对应点对来实现两个域流形的对齐，这样的方式并不具有代表性，迁移效果仍然不理想。

发明内容

针对上述问题，本申请提供了一种用于图像分类的迁移学习方法、相关装置及存储介质，有利于提高迁移学习的效果，进而提高图像分类的准确性。

为实现上述目的，本申请实施例第一方面提供了一种用于图像分类的迁移学习方法，该方法包括：

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。

结合第一方面的一个实施例，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。

结合第一方面的又一个实施例，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。

结合第一方面的又一个实施例，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；