[发明专利]一种保持图像分类稀疏结构的迁移分类学习方法

摘要

本发明公开了一种保持图像分类稀疏结构的迁移分类学习方法，找到两个分布相近但不同的源域和目标域，源域包含有标签数据，首先在源域上利用监督分类方法训练分类器，并利用该分类器预测目标域数据的伪标签；其次，利用最大均值差异分别构造源域和目标域数据的边缘分布和条件分布项，将二者组合构成联合分布项；然后，利用有效投影的稀疏学习工具包构造所有数据上的稀疏表示矩阵S以构造稀疏结构保持项；接着，利用结构风险最小化原则构造结构风险最小化项；最后，将结构风险最小化项、联合分布项以及稀疏结构保持项结合起来构造统一的迁移分类学习框架，并利用包含核函数的分类函数表示定理代入框架求解获得最终可用于预测目标域类别的分类器。

主权项

一种保持图像分类稀疏结构的迁移分类学习方法，其特征在于，包括以下步骤：步骤1)，采集源域图像数据、源域图像标签与目标域图像数据，所述源域图像数据和目标域图像数据的特征空间相同；步骤2)，利用源域图像数据和源域图像标签训练得到监督分类器，使用目标域图像数据在监督分类器上得到目标域图像伪标签；步骤3)，利用SLEP工具包导入源域图像数据和目标域图像数据组成的所有数据，得到用于刻画所有数据结构特性的稀疏矩阵S；步骤4)，使用源域图像数据、源域图像标签、目标域图像数据、目标域图像伪标签构造第一分类器约束项，即联合分布项，以减少源域图像数据和目标域图像数据的分布差异；步骤5)，使用源域图像数据、目标域图像数据和稀疏矩阵S构造第二分类器约束项，即稀疏结构保持项，以保持所有数据的结构特性；步骤6)，使用源域图像数据、源域图像标签构造第三分类器约束项，即结构风险最小化项，以减少源域图像标签和本方法源域图像预测标签之间的差异；步骤7)，将联合分布项、稀疏结构保持项、结构风险最小化项组合构成分类器约束框架；步骤8)，给定带有分类器系数α的预测分类器公式，将分类器公式带入分类器约束框架中，此时分类器约束框架为关于分类器系数α的函数，求解得到分类器系数α、即得到最终的预测分类器，然后输入目标域图像数据，得到目标域图像预测标签，完成目标域图像数据分类任务。