[发明专利]一种基于半监督广域迁移度量学习的小样本目标识别方法

摘要

本发明公开了一种基于半监督广域迁移度量学习的小样本目标识别方法；本发明在源域与目标域之间，利用大量的无标签样本，构建中间域样本；以中间域为桥梁，将单步长距离迁移分解为多步短距离迁移，控制“负迁移”风险；此外，建立选择机制，在源域与中间域样本集合中，选择部分高“正迁移”概率样本，进一步降低“负迁移”风险。本发明的关键在于充分利用目标的先验信息。本发明由于有机结合了多种机器学习方法，突破现有小样本学习方法的局限，方法简单易于实现，对使用传统方法的工程无需重新构造，详细兼容，能够节省大量人力。并且可以与其它小样本目标识别的方法相结合，对提高目标检测识别精度有重要意义。

主权项

1.一种基于半监督广域迁移度量学习的小样本目标识别方法，其特征在于，该方法具体包括以下步骤：步骤(1)、选择源域图像对、中间域图像对和目标域图像对；目标域图像对是两个某类具体型号的目标图像，源域图像对是和目标域图像对类似的图像对，中间域图像对是利用大量的无标签样本构建的；步骤(2)、构建特征子网络；直接提取典型深度网络的前几个卷积层，构建特征子网络；步骤(3)、构建差异特征向量；用差异特征向量表示图像对在特征空间上的相对距离，拟将图像对相应的特征子网络输出相减并转换为一维向量，从而获得差异特征向量；步骤(4)、构建编码器、二分类器和解码器；源域、中间域样本选择依据之一是：入选的源域、中间域样本与目标域样本一起，经编码与解码后的重构误差对应的代价函数是：其中f_e，f_d分别为编码器与解码器，x_S，x_I，x_T分别为源域、中间域、目标域的差异特征向量，是经编码‑解码处理后的源域、中间域、目标域的重构差异特征向量；ν_S,ν_I分别是源域、中间域样本是否入选的标示，1代表入选，0代表未入选；n_S、n_I、n_T分别表示源域、中间域、目标域样本的数量，L_r表征的是入选的源域、中间域样本与目标域样本的重构误差；源域、中间域样本选择的另外一个依据是：入选的源域、中间域样本与目标域样本一起，编码后得到的特征所具备的鉴别性对应的代价函数是：其中fc是二分类器，yS，yT是源域、目标域样本的标签；δ(·,·)表征两个输入参数值是否一致，一致为0，不一致为1；g(z)用于衡量输入参数的预测的可信度：g(z)＝‑zlnz‑(1‑z)ln(1‑z)；总的优化目标函数为：其中θ是fc,fe,fd的参数集合；当θ固定不变时，源域、中间域样本可根据下式进行选择：当νS,νI固定不变时，θ通过误差后向传播算法进行寻优求解；由此，可通过迭代的方式，学习得到θ与νS,νI。