[发明专利]一种基于耦合知识迁移的跨域图像分类方法

摘要

本发明公开了一种基于耦合知识迁移的跨域图像分类方法，通过基于最大均值差异准则来寻找源域和目标域共同的低维子空间，消除源域与目标域数据边缘分布与类条件分布的差异；根据源域数据的标签信息与目标域数据的伪标签信息构建各自的邻接图，保持数据从原始空间到低维子空间的结构一致性，同时可以动态调整邻接图的结构，促进域内知识的正迁移；在低维子空间中利用带标签信息的源域数据训练最近邻分类器，对目标域数据的伪标签信息进行不断迭代优化，从而得到目标域数据最终的标签信息，即完成跨域图像分类；另外本发明方法通过设计样本重加权策略赋予目标域图像的伪标签不同的置信度，有效降低域内知识的负迁移，提高了跨域图像分类的精度。

主权项

1.一种基于耦合知识迁移的跨域图像分类方法，其特征在于，包括以下步骤：S1.获取源域图像和目标域图像并进行特征提取，分别得到源域特征矩阵作为源域数据，得到目标域特征矩阵作为目标域数据；S2.根据源域数据的标签信息分别构造源域数据的邻接图和目标域数据的邻接图，通过计算邻接图的边权重分别得到源域的权重矩阵和目标域的权重矩阵；S3.在所述源域和目标域共同的低维子空间中进行域间数据分布对齐，同时利用源域的权重矩阵和目标域的权重矩阵进行域内数据的知识迁移；S4.在所述低维子空间中，利用带标签信息的源域数据训练最近邻分类器，并用于预测目标域数据的标签信息；S5.对所预测的目标域数据的标签信息进行重加权；S6.判断是否达到最大迭代次数，若否返回步骤S2，若是则输出所预测的目标域图像的标签信息，从而得到分类结果。