[发明专利]基于卷积神经网络的半监督迁移学习字符识别方法及系统

摘要

本发明提供基于卷积神经网络的半监督迁移学习字符识别方法，包括：将目标域中无类别标签的批量字符图像样本作为测试样本集输入半监督迁移学习后的卷积神经网络，识别所述测试样本集的字符图像；所述半监督迁移学习后的卷积神经网络由源域中有类别标签的批量字符图像样本、目标域中有类别标签的批量字符图像样本以及所述目标域中无类别标签的批量字符图像样本联合训练所得，提高了识别精度。本发明提供的基于卷积神经网络的半监督迁移学习字符识别方法及系统，能利用大量有类别标签的源域样本、少量有类别标签的目标域样本和较容易获得的无类别标签的目标域样本进行半监督迁移学习，提高了卷积神经网络对目标域样本的适应能力。

主权项

1.基于卷积神经网络的半监督迁移学习字符识别方法，其特征在于，包括：步骤1、将目标域中无类别标签的批量字符图像样本作为测试样本集输入半监督迁移学习后的卷积神经网络，识别所述测试样本集的字符图像；所述半监督迁移学习后的卷积神经网络由源域中有类别标签的批量字符图像样本、目标域中有类别标签的批量字符图像样本以及所述目标域中无类别标签的批量字符图像样本联合训练所得；所述半监督迁移学习后的卷积神经网络由源域中有类别标签的批量字符图像样本、目标域中有类别标签的批量字符图像样本以及所述目标域中无类别标签的批量字符图像样本联合训练所得，包括：将源域中有类别标签的批量字符图像样本作为第一训练集，对预设的卷积神经网络进行监督学习，得到第一识别模型；将目标域中有类别标签的批量字符图像样本作为第二训练集，对所述第一识别模型进行监督迁移学习，得到第二识别模型；在所述第二识别模型中添加无监督学习目标函数，并将所述无监督学习目标函数与所述第二识别模型中的监督学习目标函数结合，以构建第三识别模型；将所述目标域中有类别标签的批量字符图像样本和所述目标域中无类别标签的批量字符图像样本作为第三训练集，对所述第三识别模型进行半监督迁移学习，以得到所述半监督迁移学习后的卷积神经网络；步骤1之前所述方法还包括：对所述源域中有类别标签的批量字符图像样本、所述目标域中有类别标签的批量字符图像样本以及所述目标域中无类别标签的批量字符图像样本进行图像二值化和图像大小归一化；所述无监督学习的目标函数的表达式为：其中，L_U是所述无监督学习的目标函数，x^l为目标域中有类别标签的批量字符图像样本在所述第三识别模型的全连接层输出的向量，x^u为所述目标域中无类别标签的批量字符图像样本在所述第三识别模型的全连接层输出的向量，n为向量x^l,x^u的维度，k(,)为核函数；所述无监督学习目标函数与所述第二识别模型中的监督学习目标函数结合的表达式为：L＝L_S+L_U(x^l,x^u)，其中，所述L为结合后的半监督迁移学习的目标函数，L_s为所述第二识别模型中的监督学习目标函数；所述核函数为预设数量的高斯核函数，所述高斯核函数为：其中，所述γ_m为第m个高斯核函数的带宽参数，m＝1,...M，M为所述预设数量。