[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

权利要求书

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E_S和目标域特征提取器E_t，类别相关特征提取器E_{cls_re}，类别无关特征提取器E_{cls_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(x_s,y_s),其中X_s表示源域中的图像，y_s∈{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(x_t,y_t),其中X_t表示源域中的图像，y_t∈{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E_S与E_t，E_S与E_t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X_s和X_t输入所述特征提取器E_S与E_t中，获得全局特征和

步骤2.3、构建所述特征提取器E_{cls_re}与E_{cls_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E_{cls_re}与E_{cls_irre}中，得到类别相关特征和类别无关特征同样地，将输入E_{cls_re}与E_{cls_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