[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

说明书

本发明公开了一种基于流形学习的无监督预适应图像分类方法，该方法旨在构建图像分类模型，然后应用图像分类模型，完成待分类图像的分类，该方法包括以下步骤：1.构建图像样本集；2.构建特征提取网络；3.基于流形学习网络，构建特征向量降维网络；4.基于高阶信息匹配网络，构建分类器网络；5.构建源域图像样本的判别性损失模型、目标域图像样本的聚类损失模型、流形一致性损失模型、高阶张量匹配损失模型；6.引入交叉熵损失，获得最终损失模型；7.针对图像分类待训练模型进行训练，获得图像分类模型；该方法结合流形学习网络和高阶信息匹配网络，提取出的图像特征不仅有很好的迁移性，而且兼具很强的判别性，具有更高的分类准确率。

技术领域

本发明涉及图像分类方法，具体涉及一种基于流形学习的无监督预适应图像分类方法。

背景技术

在图像分类任务中，实验室环境采集的图像样本和实际应用环境中采集的图像样本之间的光照条件、图像分辨率、背景颜色等方面都存在着较大的差异，如果直接将实验室内训练好的模型应用在真实场景中，由于域差异的存在，会导致检测效果出现较大幅度的下降。

无监督域适应的任务是学习有标签的源域数据中的知识并将其传递给无标签的目标域数据，来完成在目标域上的任务。现有的很多方法都在使用深度神经网络提取迁移性更好的特征，减小域差异。此外还有一些方法通过对抗训练的方式，通过判别器和特征提取器之间的对抗使得特征提取器能够提取出域不变特征。但是上述这两类方法会导致特征的判别性降低，而且深度神经网络提取出的高维特征在对数据本身存在冗余。本发明将流形学习网络和高阶信息匹配网络相结合，使图像样本的特征兼具判别性和域不变性，能够更好地对目标域的图像样本进行分类。

发明内容

本发明的目的：在于提供一种基于流形学习的无监督预适应图像分类方法，该方法结合流形学习网络和高阶信息匹配网络，提取出的图像特征不仅有很好的迁移性，而且兼具很强的判别性，具有更高的分类准确率。

为实现以上目的，本发明设计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；