[发明专利]基于语义表征的无监督域适应图像分类方法

权利要求书

1.基于语义表征的无监督域适应图像分类方法，利用有类别标签的图像样本即源域，学习分类另外一组数据分布不一样的无类别标签的图像样本即目标域，其特征在于，包括以下步骤：

步骤1)预训练和自训练：使用源域图像样本在卷积神经网络上进行预训练，获得基于源域图像样本表征的骨干网络，包含特征提取器和分类器；

基于上述骨干网络，连接设置域判别器、编码器和生成器，构建并训练域适应模型，学习源域图像样本分类信息，并使用自训练学习获取目标域的伪标签；

步骤2)提取类别语义表征：设每类图像样本存在K种语义属性，通过改变各语义向量方向，判断不同的语义属性是否影响对应样本指向其所属类别，提取到各个类别的有效类别语义表征；

步骤3)模糊跨域语义表征：设两组数据分布不同的图像样本，即源域和目标域为两类样本，它们存在P种语义属性，在域适应模型中嵌入对抗网络，设置域判别器，模糊源域和目标域的域类别概念，模糊跨域语义表征；

步骤4)重构分析：使用生成器分别对有效类别语义表征和模糊后的跨域语义表征生成新的样本表征，并联合编码器计算重构损失；

步骤5)训练分类器和域判别器：使用新样本表征进一步训练分类器和域判别器，并计算分类损失和对抗损失；

步骤6)模型优化：梯度计算，优化更新模型参数，使用最终模型获得图像分类结果。

2.根据权利要求1所述的基于语义表征的无监督域适应图像分类方法，其特征在于，步骤1)中，使用源域图像样本预训练获得骨干网络，以及自训练学习获取目标域样本伪标签，方式如下：

构建特征提取器和分类器，随机初始化域判别器、编码器和生成器，获取预训练模型的表达形式和目标域样本的初步伪标签；所述预训练模型的表达形式如下：

f＝G_f(z；θ_f),y＝G_y(f；θ_y)(1)

其中，z表示源域图像样本表征，f和y分别表示对应样本特征和类别标签信息，G_f和G_y分别表示特征提取器和分类器，θ_f和θ_y分别为对应G_f和G_y的网络模型参数；所述目标域样本的伪标签表达形式如下：

其中，n_t和c分别表示目标域样本个数和类别数，P_ij是由分类器G_y得到的表示第i个未标记样本被预测为第j个类别的置信度，τ表示阈值，和分别表示目标域第i个样本的表征和类别标签信息，表示预测得到的高置信样本集合，公式(3)表示了目标域数据预测得到的高置信样本及其标签集合。