[发明专利]一种基于流形学习的无监督预适应图像分类方法

权利要求书

1.一种基于流形学习的无监督预适应图像分类方法，其特征在于：按如下步骤S1-步骤S7，获得图像分类模型，然后应用图像分类模型，完成待分类图像的分类；

S1.基于预设光照强度、分辨率、背景颜色，分别采集预设各类物品图像作为各个源域图像样本，各源域图像样本构成源域图像样本集，并基于其他光照强度、分辨率、背景颜色，采集相对应各物品图像作为目标域图像样本，各目标域图像样本构成目标域图像样本集，并根据各类物品的种类，按预设映射规则，定义各类物品的源域图像样本、目标域图像样本所对应预设各分类中的相应类别，且各相同类物品的源域图像样本、目标域图像样本所对应类别彼此相同；

S2.基于ResNet-50网络，以图像样本为输入，以图像样本的高维特征向量为输出，构建特征提取网络；

S3.基于流形学习网络，以图像样本的高维特征向量为输入，以图像样本的高阶统计信息为输出，构建特征向量降维网络；

S4.基于高阶信息匹配网络，以图像样本的高阶统计信息为输入，图像样本所对应的图像类别为输出，构建分类器网络；

S5.基于特征提取网络、特征向量降维网络、分类器网络，串联构建图像分类待训练模型，同时基于源域图像样本集与目标域图像样本集的参与训练，以特征向量降维网络的输出，构建源域图像样本的判别性损失模型L_dis、目标域图像样本的聚类损失模型L_cluster、流形一致性损失模型L_cons，以及以分类器网络的输出，构建高阶张量匹配损失模型L_hom；

S6.基于源域图像样本的判别性损失模型L_dis、目标域图像样本的聚类损失模型L_cluster、流形一致性损失模型L_cons、高阶张量匹配损失模型L_hom，通过引入交叉熵损失L_ce，获得最终损失模型L；

S7.基于源域图像样本集与目标域图像样本集中各样本图像，以及各样本图像分别对应预设各分类中的相应类别，以图像样本为输入，图像样本所对应的相应类别为输出，结合最终损失模型L，针对图像分类待训练模型进行训练，获得图像分类模型。

2.如权利要求1所述的基于流形学习的无监督预适应图像分类方法，其特征在于，所述步骤S5中源域图像样本的判别性损失模型L_dis、目标域图像样本的聚类损失模型L_cluster、流形一致性损失模型L_cons的构建包括以下步骤：

S51:基于每个源域图像样本在每层流形学习网络上的高维特征向量f_i^s，通过源域判别性结构学习，获得源域图像样本的判别性损失模型L_dis如下式：

式中，k为流形层的数量，l为每个流形层的层数，i，j为遍历的下标，为第l层流形层中源域图像样本中第i个类别和第j个类别之间的相似性，源域图像样本和目标域图像样本的类别数量皆为n_c；

S52:基于源域图像样本的中心矩阵和目标域图像样本的特征矩阵通过目标域判别性学习，获得目标域图像样本的聚类损失模型L_cluster如下式：

式中，将目标域图像样本的软标签的分量按其值由大至小排列，保留前m个分量，其他分量置为0，为保留分量后中第j个目标域图像样本的软标签的第i个分量，为第l层流形层中目标域图像样本中第i个类别和第j个类别之间的相似性，n_t为目标域图像样本的数量；

S53:基于源域图像样本在第l层流形层上通过源域特征计算得出的协方差矩阵目标域图像样本在第l层流形层上通过目标域特征计算得出的协方差矩阵通过流形一致性结构学习，获得流形一致性损失模型L_cons如下式：

式中，为第l层流形层的维度，为第l层流形层中源域图像样本的正交投影矩阵，为矩阵的转置矩阵，为第l层流形层中目标域图像样本的正交投影矩阵，为矩阵的转置矩阵。