[发明专利]基于成对样本匹配的迁移学习方法

摘要

本发明属于图像分类和迁移学习技术领域，公开了一种基于成对样本匹配的迁移学习方法，实现了对基于不同域的样本内在关系的挖掘。具体包含以下步骤：（1）数据预处理，（2）基于迁移学习的双链模型构建，（3）实例归一化和批量归一化，（4）计算对比损失和最大均值距离损失。本发明的优点是通过结合实例归一化和批归一化同时进行学习，充分挖掘不同图像的风格和语义关联特性，实现在源域辅助下对少量目标域样本的高效识别。

主权项

1.一种基于成对样本匹配的迁移学习方法，用于挖掘不同域样本的内在关联特性，以实现在源域样本辅助下高效率的分类少量目标域样本，其特征在于，包含以下步骤：/n第一步、数据预处理/n首先从源域中标记的训练数据中随机抽取一幅图像，然后计算所选样本与目标域中相同(不同)类别的所有样本之间的相似性，然后，将图像与另一个与目标域距离最近(最远)的相同(不同)类别的图像配对，形成一个正(负)训练实例；对于正的一对，其标签设置为1，对于负的一对，其标签设置为0；/n第二步、基于成对样本匹配的双链迁移学习模型构建/n将配对后的数据输入到两个权值共享的网络，对于每个网络，它包含一个残差结构，三个卷积层和两个完全连接层，每个卷积层和完全连接层之后都有批量归一化和实例归一化操作和线性整流函数激活，在卷积层和完全连接层之间设置一个2×2的最大池化层来将两者连接，使用对比损失函数和最大均值距离损失函数来连接这两个网络，从而处理样本之间的关系；/n第三步、实例归一化和批量归一化/n设置x为小批量上的变量，B为小批量m个变量的集合B＝{x