通过无监督域适应训练目标域分类模型的方法技术

本发明专利技术公开了一种通过无监督域适应训练目标域分类模型的方法，包括：对于源域和目标域输入的批图像数据，通过标准卷积网络来提取特征，然后结合初始化设定的质心特征构建对应于源域和目标域的实例图；实例图中的节点矩阵依次通过源域分类器与图卷积网络后，生成对应于源域和目标域的类别质心特征；使用类别质心对齐机制，约束图卷积网络每层中来自不同域的类别质心，使不同域的类别质心随着迭代训练而逐渐靠近；并且，使用质心指导的对抗性对齐机制，利用所有类别自动生成的质心作为域全局统计信息指导每批图像数据参与对抗训练；通过迭代训练最终得到在目标域有效的分类模型。上述方法具有很好的泛化性，且训练好的分类模型分类准确较高。

A method of training target domain classification model by unsupervised domain adaptation

【技术实现步骤摘要】
通过无监督域适应训练目标域分类模型的方法
本专利技术涉及图像分类
，尤其涉及一种通过无监督域适应训练目标域分类模型的方法。
技术介绍
无监督域适应能利用现有的源域带标签数据和网络模型以及相关的目标域无标签数据学习得到适用于目标域数据分类的网络模型。传统的无监督域适应方法通常利用相关距离度量等措施去对齐深层网络输出的源域和目标域的数据分布。近年来许多对抗性域适应的方法也被提出，并取得了较为显著的成果，这些方法大多是基于生成对抗网络。主要做法是训练鉴别器鉴别采样特征是来自于源域还是目标域，同时训练特征提取器欺骗鉴别器，以此使得源域和目标域特征分布对齐，无法区分。这些方法大多侧重于测量域级别上的域差异，而不区分来自两个域的样本是否根据所属的类别进行对齐。即便全局域统计数据完全混淆，源域和目标域之间的差距也不一定被减少，甚至还会将不同类别的样本混合到一起，因此，分类效果还有待提高。
技术实现思路
本专利技术的目的是提供一种通过无监督域适应训练目标域分类模型的方法，具有很好的泛化性，且训练好的分类模型分类准确较高本文档来自技高网...

【技术保护点】
1.一种通过无监督域适应训练目标域分类模型的方法，其特征在于，包括：/n对于源域和目标域输入的批图像数据，通过标准卷积网络来提取图像特征，然后结合初始化设定的质心特征构建对应于源域和目标域的实例图；将实例图中的节点矩阵依次通过源域分类器与图卷积网络后，更新对应于源域和目标域的类别质心特征；/n使用类别质心特征对齐机制，约束图卷积网络每层中来自不同域的类别质心特征，使不同域的类别质心特征随着迭代训练而逐渐靠近；/n并且，使用质心指导的对抗性对齐机制，利用所有类别自动生成的质心特征作为域全局统计信息指导每批图像数据参与对抗训练；/n通过迭代训练最终得到在目标域有效的分类模型。/n

【技术特征摘要】
1.一种通过无监督域适应训练目标域分类模型的方法，其特征在于，包括：
对于源域和目标域输入的批图像数据，通过标准卷积网络来提取图像特征，然后结合初始化设定的质心特征构建对应于源域和目标域的实例图；将实例图中的节点矩阵依次通过源域分类器与图卷积网络后，更新对应于源域和目标域的类别质心特征；
使用类别质心特征对齐机制，约束图卷积网络每层中来自不同域的类别质心特征，使不同域的类别质心特征随着迭代训练而逐渐靠近；
并且，使用质心指导的对抗性对齐机制，利用所有类别自动生成的质心特征作为域全局统计信息指导每批图像数据参与对抗训练；
通过迭代训练最终得到在目标域有效的分类模型。


2.根据权利要求1所述的一种通过无监督域适应训练目标域分类模型的方法，其特征在于，所述源域和目标域输入的批图像数据包括：有标签的源域数据与无标签目标域数据。


3.根据权利要求1所述的一种通过无监督域适应训练目标域分类模型的方法，其特征在于，通过标准卷积网络来提取图像特征，然后结合初始化设定的质心特征构建对应于源域和目标域的实例图包括：
提取图像特征，并结合初始化设定的质心特征构建对应于源域和目标域的节点矩阵：



上式中，AlexNet(Xbatch)表示利用AlexNet标准卷积网络提取批图像数据Xbatch的特征；C表示初始化设定的类别质心特征；表示特征串联；*＝S，T，分别对应于源域和目标域，即对应于源域的节点矩阵，对应于目标域的节点矩阵；
通过源域分类器预测节点矩阵中各特...

【专利技术属性】
技术研发人员：张勇东，张天柱，钱柄乔，李岩，邓旭冉，
申请(专利权)人：北京中科研究院，中国科学技术大学，
类型：发明
国别省市：北京;11