[发明专利]一种基于联合学习与知识迁移的开放集图像分类方法

权利要求书

1.一种基于联合学习与知识迁移的开放集图像分类方法，其特征在于，包括以下步骤：

S1、对训练数据进行划分，分为源域数据X_s和目标域数据X_t；初始化损失项权重系数λ和μ；随机初始化分类神经网络所有层的参数，包括两个结构完全相同、各自均由一个VGG-16分类网络组成的神经网络，分别称为域对抗网络和特有网络；

S2、随机从训练数据中的源域数据选择一小批源域训练数据(x_s，y_s)，从目标域数据选择一小批目标域训练数据x_t，其中，x_s和y_s分别表示选取的源域数据及其对应的标签信息；将两批数据分别输入到域对抗网络进行训练，并加以损失函数进行约束；再将同一批目标域数据输入到特有网络中进行训练，加以对应的损失函数进行约束；

S3、将步骤S2中取出的目标域训练数据经过几何变换增广方式得到相同数量的增广数据T(x_t)，其中T表示选定的几何变换增广方式；并将增广前后的训练数据x_t和T(x_t)都输入到特有网络中进行训练，并加以对应的损失函数进行约束；

S4、重复步骤S2-S3，达到预先设定的训练次数后完成训练，输出训练好的域对抗网络和特有网络，用二者中任意一个网络对所需分类的图像进行类别预测即可。

2.根据权利要求1所述的一种基于联合学习与知识迁移的开放集图像分类方法，其特征在于：在步骤S1中，需要对训练数据中所有的图像进行归一化处理，把图像的像素值归一化到[0,1]范围内，以期达到理想的训练效果，并同时能减少计算量以缩短分类神经网络的训练时间；根据训练设置对所有数据进行分类，训练数据包含源域数据X_s和目标域数据X_t，两个域中共同的类别定义为已知类，除此之外，目标域数据中还包含有若干个源域数据中没有包含的类别，这些类别统一归为未知类；对分类神经网络所包含的域对抗网络和特有网络的所有层参数都进行随机初始化，即利用Pytorch中带有的接口函数来随机生成两个VGG-16分类网络，分别作为域对抗网络和特有网络的初始状态；损失项权重系数λ和μ分别被设为1和2。