[发明专利]基于非线性度自适应子域领域适应的极少量训练样本下图片分类方法

权利要求书

1.一种基于非线性度自适应子域领域适应的极少量训练样本下图片分类方法，其特征在于，包括以下步骤：

(1)获取数据：读取源域和目标域图片，将图片分为源域样本、有标签目标域样本、待分类目标域样本；

(2)提取并处理步骤(1)所获取的图片样本的特征，得到源域图片特征和目标域图片特征X；有标签数据的标签信息Y；

(3)非线性度自适应子域领域适应网络搭建；包括神经元非线性度可变层和神经元非线性度固定层；其中，前三层为神经元非线性度可变层，第四层为神经元非线性度固定层，第五层为类别输出层；

(4)对步骤(3)搭建的非线性度自适应子域领域适应网络进行训练：

(4.1)初始化网络参数，输入步骤(2)处理所得的源域图片特征和目标域图片特征X和有标签数据的标签信息Y，通过领域适应网络数据的前向传播计算源域和目标域图片同类别和不同类别间的特征分布差异、源域和目标域图片特征的边缘概率分布差异以及有标签数据的交叉熵损失；

(4.2)根据领域适应网络神经元非线性度计算所有非线性可变神经元参数的和；

(4.3)计算领域适应网络的总损失函数；根据步骤(4.1)所得源域和目标域之间的特征分布差异以及步骤(4.2)所得神经元非线性度，对领域适应网络的第四层输出的图片特征计算最大均值差异，通过减小最大均值差异来减小源域和目标域之间的特征分布差异；

(4.4)领域适应网络的参数更新；

(4.5)重复步骤(4.1)、(4.2)、(4.3)、(4.4)直到网络迭代次数达到设定迭代次数，取最后一次迭代的网络参数θ(ω，b，g)；

(4.6)训练结束，网络参数θ(ω，b，g)固定不再更新；

(5)在训练好的非线性度自适应子域领域适应网络中输入待分类目标域图片样本的特征矩阵X_Tn，用该网络的第五层输出，利用softmax计算样本所属概率最大的类别即为图片的预测类别。

2.根据权利要求1所述一种基于非线性度自适应子域领域适应的极少量训练样本下图片分类方法，其特征在于，所述步骤(1)包括以下步骤：

(1.1)将所有图片都转换为224×224尺寸；每张图片转换为RGB三通道，转换为v×h×o的三维矩阵，v和h分别为图像的宽和高，o为通道数；

(1.2)源域图片转换成n_S×v×h×o的四维矩阵数据，n_S表示源域样本数；目标域少量带标签数据转换成n_Tl×v×h×o的四维矩阵数据，n_Tl表示有标签目标域样本数；待分类目标域图片转换成n_Tn×v×h×o的四维矩阵数据，n_Tn表示目标域待分类样本数；

(1.3)图片类别用one-hot编码，图片共有N类，则第一类的标签表示[1，0，0，...，0]_1×N，第二类的标签表示为[0，1，0，...，0]_1×N，...，第N类图片的标签表示为[0，0，0，...，1]_1×N。