[发明专利]一种基于迁移学习的图像分类模型的训练方法

权利要求书

1.一种图像分类模型的训练方法，其特征在于，所述图像分类模型包括特征提取器以及两个分类器，其通过特征提取器提取样本对应的样本特征并通过分类器根据样本特征对样本进行分类，所述方法包括：

S1、获取初始的训练集，其包括来自多个源域的样本及指示每个样本所属源域的域属性以及所属类别的标签，其中，所述样本为图像，各源域的标签空间相同，一种标签对应一个子域；

S2、利用初始的训练集训练特征提取器提取样本特征，并基于第一损失函数计算的损失值更新特征提取器的参数，所述第一损失函数被配置为基于域属性和标签惩罚不同源域的同一子域的样本对应的样本特征之间的差异；

S3、对初始的训练集中的样本进行增强处理以添加所述多个源域之外的增强样本，利用样本及其增强样本对特征提取器和两个分类器进行对抗训练。

2.根据权利要求1所述的方法，其特征在于，所述步骤S3包括：

在对抗训练时，基于第二损失函数计算的损失更新两个分类器的参数，其中，第二损失函数被配置为惩罚每个分类器分类的偏差以及奖励两个分类器对增强样本在每个类别的置信概率差异之和；以及

在对抗训练时，基于第三损失函数计算的损失更新特征提取器的参数，其中，第三损失函数被配置为惩罚每个分类器分类的偏差以及惩罚两个分类器对增强样本在每个类别的置信概率差异之和。

3.根据权利要求2所述的方法，其特征在于，第二损失函数计算的损失被配置为与两个分类器对样本及其增强样本在每个类别的置信概率分别与对应标签之间的偏差正相关以及与两个分类器对增强样本在每个类别的置信概率差异之和负相关。

4.根据权利要求3所述的方法，其特征在于，第二损失函数如下：

其中，表示两个分类器对样本及其增强样本在每个类别的置信概率分别与对应标签之间的偏差的均值，表示两个分类器对增强样本在每个类别的置信概率差异之和的均值，β表示为预设的权重。

5.根据权利要求2所述的方法，其特征在于，第三损失函数计算的损失被配置为与第一损失函数正相关、与每个分类器对样本及其增强样本在每个类别的置信概率分别与对应标签之间的偏差正相关以及与两个分类器对增强样本在每个类别的置信概率差异之和正相关。

6.根据权利要求5所述的方法，其特征在于，第三损失函数如下：

其中，表示第一损失函数，表示两个分类器对样本及其增强样本在每个类别的置信概率分别与对应标签之间的偏差的均值，表示两个分类器对增强样本在每个类别的置信概率差异之和的均值，α表示为预设的权重，μ表示为预设的权重。

7.根据权利要求4或6所述的方法，其特征在于，按照如下方式计算：

其中，2N表示训练时采用的样本或者增强样本的数量，L_ce(·)表示分类器输出的置信概率与对应标签之间的交叉熵损失，Gⁱ(·)表示第i个分类器根据样本特征进行分类的置信概率，i＝1时表示第1个分类器，i＝2时表示第2个分类器，F(·)表示特征提取器提取的样本特征，x_m表示样本m，表示样本m对应的增强样本，y_m表示样本m对应的标签。

8.根据权利要求4或6所述的方法，其特征在于，按照如下方式计算：

其中，||·||₁表示L1距离，M表示训练时采用的增强样本的数量，C表示类别的总数，表示分类器G¹预测增强样本属于类别c的置信概率，表示分类器G²预测增强样本属于类别c的置信概率。