一种基于多目标动态分布自适应学习方法及装置制造方法及图纸

本发明专利技术公开了一种基于多目标动态分布自适应的图像分类方法，首先获取第一图像数据和第二图像数据，然后采用多目标优化算法搜索得到目标映射空间，包括：初始化种群，将映射空间的情况编码进种群中，利用多目标优化算法搜索最优的种群，其中，最优的种群为满足两个目标的帕累托解集，两个目标为条件分布概率和边缘分布概率；再从帕累托解集中筛选出最优的解，根据最优的解获得目标映射空间；接着将第一图像数据映射到目标映射空间，获得第三图像数据；接下来基于第三图像数据训练出一个图像分类器；再利用训练出的图像分类器对第二图像数据的标签进行预测，对第二图像数据贴标。本发明专利技术可以解决现有数据迁移学习过程中分布不均衡的技术问题。

An adaptive learning method and device based on multi-objective dynamic distribution

【技术实现步骤摘要】
一种基于多目标动态分布自适应学习方法及装置
本专利技术涉及迁移学习领域，具体涉及一种基于多目标动态分布自适应学习方法及装置。
技术介绍
在图像识别应用领域里面，由于人工打标签的成本较高，因而带标签的数据总是很少。但是网络上有海量同类别的未带标签数据，如何利用这些大量未带标签数据提高图形分类器的准确度是一个挑战。现有技术中采用了数据迁移的方法，例如有邻域自适应的数据迁移方法，但是现有的方法中数据迁移学习过程中存在数据分布不均衡的问题。
技术实现思路
本专利技术提出一种基于多目标动态分布自适应的图像分类方法及装置，用于解决或者至少部分解决现有方法存在数据分布不均衡的技术问题。为了解决上述技术问题，本专利技术第一方面提供了一种基于多目标动态分布自适应学习方法，包括：S1：获取第一图像数据和第二图像数据，其中，第一图像数据带有标签，第二图像数据不带标签；S2：采用多目标优化算法获得目标映射空间，包括：初始化种群，将映射空间的情况编码进种群中，利用多目标优化算法搜索最优的种群，其中，最优的种群为满足两个目标的帕累托解集，两个目标为条件分布概率和边缘分布概率；再从帕累托解集中筛选出最优的解，根据最优的解获得目标映射空间；S3：将第一图像数据映射到目标映射空间，获得第三图像数据；S4：基于第三图像数据训练出一个图像分类器；S5：利用训练出的图像分类器对第二图像数据的标签进行预测，对第二图像数据贴标。在一种实施方式中，S2中初始化种群，将映射空间的情况编码进种群中，包括：S2.1.1：针对多个种群随机设定对应的映射空间情况；S2.1.2：将映射空间的参数作为决策变量，根据适应度计算公式，计算出对应的条件分布概率和边缘分布概率，并将条件分布概率和边缘分布概率作为目标函数，其中，映射空间情况由映射空间的参数确定；S2.1.3：将决策变量和目标函数同时封装进种群个体中，多个个体组成初始种群。在一种实施方式中，S2中利用多目标优化算法搜索最优的种群，其中，最优的种群为满足两个目标的帕累托解集，包括：S2.2.1：在当前代中，利用遗传算法的交叉算子和变异算子对当前种群做进化处理，得到子代种群；S2.2.2：在当前代中，利用反向学习算法，对子代种群进行反向变化，将反向前后的种群合并后，进行非支配排序，得到更优的反向子种群；S2.2.3：在当前代中，利用烟花算法，计算反向子种群的爆炸半径和火花个数，并基于爆炸半径和火花个数，将反向子种群作为烟花种群来在周边范围内产生火花种群，烟花种群和火花种群进行非支配排序生成下一代种群；S2.2.4：将下一代种群作为当前代种群，重复执行S2.2.1～S2.2.3，进行迭代进化过程；S2.2.5：当迭代进化过程满足终止条件时，迭代进化终止，输出帕累托解集。在一种实施方式中，S2中从帕累托解集中筛选出最优的解，根据最优的解获得目标映射空间，包括：S2.3.1：在解空间中，连接理论最优点和全局最优点构成参考矢量线，将帕累托解集中各个点到参考矢量线的垂直距离作为解集中该点的距离值；S2.3.2：根据计算出的距离值，选择出距离值最小的点作为最优的解；S2.3.3：根据最优的解设置映射空间的参数，得到目标映射空间。在一种实施方式中，在S5之后，所述方法还包括：计算预测的准确度；根据计算出的准确度对多目标优化算法中的种群个体进行更新。基于同样的专利技术构思，本专利技术第二方面提供了一种基于多目标动态分布自适应学习装置，包括：数据获取模块，用于获取第一图像数据和第二图像数据，其中，第一图像数据带有标签，第二图像数据不带标签；目标映射空间搜索模块，用于采用多目标优化算法搜索获得目标映射空间，包括：初始化种群，将映射空间的情况编码进种群中，利用多目标优化算法搜索最优的种群，其中，最优的种群为满足两个目标的帕累托解集，两个目标为条件分布概率和边缘分布概率；再从帕累托解集中筛选出最优的解，根据最优的解获得目标映射空间；映射模块，用于将第一图像数据映射到目标映射空间，获得第三图像数据；分类器训练模块，用于基于第三图像数据训练出一个图像分类器；标签预测模块，用于利用训练出的图像分类器对第二图像数据的标签进行预测，对第二图像数据贴标。基于同样的专利技术构思，本专利技术第三方面提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被执行时实现第一方面所述的方法。基于同样的专利技术构思，本专利技术第四方面提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如第一方面所述的方法。本申请实施例中的上述一个或多个技术方案，至少具有如下一种或多种技术效果：本专利技术提供的一种基于多目标动态分布自适应学习方法，首先获取带有标签的第一图像数据和不带标签的第二图像数据；然后采用多目标优化算法搜索获得目标映射空间，接着将第一图像数据映射到目标映射空间，获得第三图像数据；接下来基于第三图像数据训练出一个图像分类器；最后利用训练出的图像分类器对第二图像数据的标签进行预测，对第二图像数据贴标。现有技术中，在现有的映射空间中，带标签和未带标签数据表现出独立不同分布的特性，在数据迁移学习过程中存在分布不均衡的问题，本专利技术通过以条件分布概率和边缘分布概率为目标，映射空间的参数为决策变量，采用多目标优化算法搜索获得目标映射空间，并将带标签的第一图像数据映射到目标映射空间，获得新的带标签的图像数据(第三图像数据)；此时，第三图像数据与第一图像数据的标签相同，只是与第一图像数据的映射空间不同，接下来基于第三图像数据训练出一个图像分类器；最后利用训练出的图像分类器对第二图像数据的标签进行预测，对第二图像数据贴标，从而可以将带有标签的第一图像数据和不带标签的第二图像数据映射到新映射空间(目标映射空间)，从而使得使分布相同或者类似，解决数据迁移学习过程中数据分布不均衡的技术问题。附图说明为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1为本专利技术提供的一种基于多目标动态分布自适应学习方法的实现流程示意图；图2为本专利技术实施例中采用的多目标优化算法的实现流程示意图；图3为本专利技术实施例中一种基于多目标动态分布自适应学习装置的结构框图；图4为本专利技术实施例中一种计算机可读存储介质的结构框图；图5为本专利技术实施例中计算机设备的结构图。具体实施方式本申请专利技术人通过大量的研究与实践发现：现有方法在数据迁移的过程中，遇到了如下问题：数据迁移的过程需要同时考虑边缘分布目标和条件分布目标。为此，本专利技术提出一本文档来自技高网...

【技术保护点】
1.一种基于多目标动态分布自适应学习方法，其特征在于，包括：/nS1：获取第一图像数据和第二图像数据，其中，第一图像数据带有标签，第二图像数据不带标签；/nS2：采用多目标优化算法搜索获得目标映射空间，包括：初始化种群，将映射空间的情况编码进种群中，利用多目标优化算法搜索最优的种群，其中，最优的种群为满足两个目标的帕累托解集，两个目标为条件分布概率和边缘分布概率；再从帕累托解集中筛选出最优的解，根据最优的解获得目标映射空间；/nS3：将第一图像数据映射到目标映射空间，获得第三图像数据；/nS4：基于第三图像数据训练出一个图像分类器；/nS5：利用训练出的图像分类器对第二图像数据的标签进行预测，对第二图像数据贴标。/n

【技术特征摘要】
1.一种基于多目标动态分布自适应学习方法，其特征在于，包括：
S1：获取第一图像数据和第二图像数据，其中，第一图像数据带有标签，第二图像数据不带标签；
S2：采用多目标优化算法搜索获得目标映射空间，包括：初始化种群，将映射空间的情况编码进种群中，利用多目标优化算法搜索最优的种群，其中，最优的种群为满足两个目标的帕累托解集，两个目标为条件分布概率和边缘分布概率；再从帕累托解集中筛选出最优的解，根据最优的解获得目标映射空间；
S3：将第一图像数据映射到目标映射空间，获得第三图像数据；
S4：基于第三图像数据训练出一个图像分类器；
S5：利用训练出的图像分类器对第二图像数据的标签进行预测，对第二图像数据贴标。


2.如权利要求1所述的方法，其特征在于，S2中初始化种群，将映射空间的情况编码进种群中，包括：
S2.1.1：针对多个种群随机设定对应的映射空间情况；
S2.1.2：将映射空间的参数作为决策变量，根据适应度计算公式，计算出对应的条件分布概率和边缘分布概率，并将条件分布概率和边缘分布概率作为目标函数，其中，映射空间情况由映射空间的参数确定；
S2.1.3：将决策变量和目标函数同时封装进种群个体中，多个个体组成初始种群。


3.如权利要求1所述的方法，其特征在于，S2中利用多目标优化算法搜索最优的种群，其中，最优的种群为满足两个目标的帕累托解集，包括：
S2.2.1：在当前代中，利用遗传算法的交叉算子和变异算子对当前种群做进化处理，得到子代种群；
S2.2.2：在当前代中，利用反向学习算法，对子代种群进行反向变化，将反向前后的种群合并后，进行非支配排序，得到更优的反向子种群；
S2.2.3：在当前代中，利用烟花算法，计算反向子种群的爆炸半径和火花个数，并基于爆炸半径和火花个数，将反向子种群作为烟花种群来在周边范围内产生火花种群，烟花种群和火花种群进行非支配排序生成下一代种群；
S2.2.4：将下一代种群作为当前代种群，重复执行S2.2.1～S2.2...

【专利技术属性】
技术研发人员：何发智，李浩然，罗锦坤，梁亚倩，
申请(专利权)人：武汉大学，
类型：发明
国别省市：湖北;42