[发明专利]一种具有周期重构子空间学习的领域自适应图像分类方法

权利要求书

1.一种具有周期重构子空间学习的领域自适应图像分类方法，其特征在于：包括以下步骤：

S1：对于待分类的图像，首先寻找合适的投影矩阵P，将源域和目标域投影到公共子空间，减少域分布差异；

S2：使用分类器对目标域的转换结果进行分类。

2.根据权利要求1所述的具有周期重构子空间学习的领域自适应图像分类方法，其特征在于：步骤S1具体包括以下步骤：

S11：使用两个重构矩阵循环重构公共子空间，使子空间和重构矩阵根据循环迭代的反馈进行修改；

S12：对不同的重构矩阵施加不同的约束，保留原始域的不同结构信息；

S13：使用源域的可靠标签将原始域映射到公共子空间P后，循环重建以学习判别子空间，引入标签松弛矩阵获得更加自由的公共子空间；

S14：通过改进的线性判别分析方法LDA扩大不同类别样本之间的距离，减少同一类样本之间的距离，增加类判别性；

S15：引入图正则项，保留数据的结构。

3.根据权利要求2所述的具有周期重构子空间学习的领域自适应图像分类方法，其特征在于：步骤S11具体包括：

给定源域数据m是特征维数标签，n_s为源数据的个数，目标域数据为n_t为目标数据的个数，P∈R^m×C为投影矩阵，为源重构系数矩阵，P^TX_s表示转换后的源样本，P^TX_t表示转换后的目标样本，使用源域中的数据来重构目标域中的数据表示为：

P^TX_sZ_s＝P^TX_t

在目标域中使用目标重构矩阵重建源域中的特征，表示为：

(P^TX_s)^T＝Z_t(P^TX_t)^T

将两式组合方程建立循环结构子空间，源数据投影到目标域，目标域数据依次重构源数据，直到收敛。

4.根据权利要求2所述的具有周期重构子空间学习的领域自适应图像分类方法，其特征在于：步骤S12具体包括：

给源重构系数矩阵Z_s添加稀疏约束：

给目标重构矩阵Z_t施加低秩约束：

其中，||·||_*是矩阵的核范数。

5.根据权利要求2所述的具有周期重构子空间学习的领域自适应图像分类方法，其特征在于：步骤S13中，使用源域的可靠标签将原始域映射到公共子空间P后，循环重建以学习判别子空间，表示为：

引入非负的标签松弛矩阵M，将严格的二元标签矩阵松弛为松弛变量矩阵，为P提供更大的自由度：

其中，矩阵为标签矩阵，其中C为类数，对于无监督领域自适应，标签仅适用于源域；对于样本x_i其标签为y_i∈R^C，如果x_i为第k类那么只有y_i的第k个元素是1，其它元素都为0；⊙为哈达玛积算子，B是一个常数矩阵，其中每个元素从几何上来看，B_ij对应拖拽方向，“+1”表示拖向正轴，“-1”表示指向负轴；Y上的每个元素被拖拽的大小为对应的M中的元素；假设三个样本x₁，x₂，x₃分别属于第三类，第一类和第二类，它们的传统标签矩阵为x₁和x₂投影到标签空间时它们的距离为它们的标签松弛矩阵为x₁和x₂投影到标签空间时它们的距离为