[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

说明书

本发明涉及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，属于计算机视觉领域，针对现有图像分类方法中，一般都假设训练样本和测试样本服从相同的分布，但在实际应用中，由于各种因素(如光照和分辨率)的影响，它们的分布通常是不同的这个问题。通过迭代策略在源域和目标域分别使用重构矩阵来循环重构数据矩阵并更新公共子空间，这种方式不但学习了公共子空间的不变特征还可以保持源域和目标域的全局和局部结构，此外还在转换后的特征上实现了额外的判别约束，以确保两个域数据的类可辨别性。为了避免过拟合，添加了图正则项约束。通过减小两个域之间的分布差异实现跨域识别，提高了图像分类性能。

技术领域

本发明属于计算机视觉领域，涉及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。

背景技术

机器学习和数据挖掘方法在模式识别方面取得了显著的成功。然而，许多机器学习和数据挖掘算法的一个主要假设是，训练数据和测试数据必须在相同的特征空间中具有相同的特征分布。但在许多实际应用中，由于光照强度、相机设备、环境、视角和分辨率的变化，这个假设可能并不正确。这时大多数统计模型需要使用新收集的训练数据进行重建，这是昂贵且耗时的。在这种情况下，如果能够成功地转移知识，可以避免昂贵的数据注释，并可以大大提高学习性能。在这一点上，域适应通过从相关域的数据中提取有用信息并传递到目标域，解决了跨域分类的问题。领域自适应通常分为两类：半监督领域自适应和无监督领域自适应。半监督领域自适应表示目标域中的一部分样本具有标签，无监督领域自适应表示目标域中的样本没有可用标签。本发明主要研究更具有挑战性的无监督领域自适应。

现有的领域自适应方法思路旨在找到一个有用的变换矩阵，将两个域的数据投影到散度减小的公共子空间，为了使得到的公共子空间保存有用的属性，现有工作引入了称为重构矩阵的矩阵，在变换后连接源域和目标域。这样，来自目标域的每个数据都可以由公共子空间中的源数据线性重构，而不仅仅是减少域分布的差异。然而，它将对源域的基本结构造成一些损害，以便更好地在单个方向上表示目标数据。表示源数据的目标域中的数据将在一定程度上损害目标域的结构(即一些数据基本信息丢失)。

发明内容

有鉴于此，本发明的目的在于提供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，通过迭代策略使用两个重构矩阵循环重构数据矩阵并更新公共子空间，学习公共子空间中的不变特征，更好地保留了两个原始域的全局和局部结构，在转换后的特征上进行额外的判别约束，例如类内聚合和类间扩散，以确保两个域数据的类可辨别性，提高图像分类的性能。

为达到上述目的，本发明提供如下技术方案：

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，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。

进一步，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。

进一步，步骤S11具体包括：