[发明专利]一种通过特征解耦实现无监督域自适应图像分类的方法在审
申请号: | 202211555886.7 | 申请日: | 2022-12-06 |
公开(公告)号: | CN115953618A | 公开(公告)日: | 2023-04-11 |
发明(设计)人: | 吴志泽;杜长江;檀明;孙斐;汪新琪;邹乐;何立新;张贯虹;杨静;年福东;王晓峰 | 申请(专利权)人: | 合肥学院 |
主分类号: | G06V10/764 | 分类号: | G06V10/764;G06V10/82;G06V10/42;G06N3/048;G06N3/088;G06N3/0464 |
代理公司: | 合肥中博知信知识产权代理有限公司 34142 | 代理人: | 杨来宝 |
地址: | 230000 安徽*** | 国省代码: | 安徽;34 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 一种 通过 特征 实现 监督 自适应 图像 分类 方法 | ||
1.一种通过特征解耦实现无监督域自适应图像分类的方法,其特征在于,是按如下步骤进行:
步骤1、对包含具有N个类别图像的数据集进行图像预处理;
步骤2、构建基于互信息的特征解耦与域自适应网络模型,包括:源域全局特征提取器ES和目标域特征提取器Et,类别相关特征提取器Ecls_re,类别无关特征提取器Ecls_irre,图像生成器G,图像分类器C;
步骤3、基于特征解耦实现无监督域自适应图像分类模型的四个学习策略,包括有监督学习策略,基于互信息的特征解耦学习策略,基于动态局部最大均值差异的域对齐学习策略以及图像重构学习策略;
步骤4、构造总体损失函数,使用交替迭代优化的方式进行互信息估计器的训练与域自适应网络模型的学习,从而得到最优跨域图像分类模型。
2.根据权利要求1中所述的一种通过特征解耦实现无监督域自适应图像分类的方法,其特征在于,步骤1具体为:令源域S中任意一个样本为(xs,ys),其中Xs表示源域中的图像,ys∈{0,1,2,...,N}表示图像的类别,其中N为类别的个数。令目标域T中任意一个样本为(xt,yt),其中Xt表示源域中的图像,yt∈{0,1,2,...,N}表示图像的类别,其中N为类别的个数。将源域和目标域中所有图片放缩为大小为224*224的图片。
3.根据权利要求1中所述的一种通过特征解耦实现无监督域自适应图像分类的方法,其特征在于,步骤2具体为:
步骤2.1、构建所述特征提取器ES与Et,ES与Et有相同的网络结构,且共享网络权重;所述特征提取器为ResNet50结构,由一个卷积层,一个批归一化层,一个RELU激活函数层,一个最大池化层,四个深度残差块和一个平均池化层组成;
步骤2.2、提取图像全局特征:
分别将所述的图像数据集S和T的任意一张图像Xs和Xt输入所述特征提取器ES与Et中,获得全局特征和
步骤2.3、构建所述特征提取器Ecls_re与Ecls_irre,包含三个全连接层,两个批标准化层,两个激活层;
步骤2.4、提取类别相关特征和类别无关特征实现特征解耦
将所述特征输入Ecls_re与Ecls_irre中,得到类别相关特征和类别无关特征同样地,将输入Ecls_re与Ecls_irre中,得到类别相关特征和类别无关特征
步骤2.5、构建所述生成器G,包含三个全连接层;
步骤2.6、获得的生成图片
将所述和拼接并输入到生成器G中,得到生成的图片同样地,将所述和拼接并输入到生成器G中,得到生成的图片
步骤2.7、构建分类器C,包含一个全连接层;
步骤2.8、将所述类别相关特征输入C中,得到预测的类别
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于合肥学院,未经合肥学院许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/202211555886.7/1.html,转载请声明来源钻瓜专利网。