【技术实现步骤摘要】
基于对抗融合多源迁移学习的图像分类方法
本专利技术属于图像识别领域，特别涉及一种图像分类方法，可用于训练数据标记缺失下的图像分类。
技术介绍
迁移学习是把在一个领域中学习到的知识、经验“迁移”到另外一个不同但相关的领域，以提高模型的学习效率，而不用重新开始学。一般把待分类或待预测的领域称为“目标域”；把有大量标记数据的辅助域称为“源域”，二者是存在域差异的。利用迁移学习研究图像分类问题在国内外已取得了显著的成效。现有的迁移学习方法可分为基于样本、基于特征和基于模型的方法。受到博弈论中二人零和博弈的启发，有学者提出生成式对抗网络GAN，其包含一对互相对抗的模块，分别是生成式模型和判别式模型，可简称为生成器和判别器。生成器可以生成数据，其原始输入是随机噪声数据，目的是尽可能逼近真实数据；判别器的目的是尽可能的区分出生成数据和真实数据。受GAN中对抗思想的启发，有研究人员提出基于对抗思想进行迁移学习。在基于对抗思想的迁移学习方法中，生成器与GAN中生成样本这一目标不同，其不再真正生成数据，而是对原始数据进行特征提取...
【技术保护点】
1.一种基于对抗融合多源迁移学习的图像分类方法，其特征在于，包括如下：/n(1)建立由域共享子网络F与域特定子网络F
【技术特征摘要】
1.一种基于对抗融合多源迁移学习的图像分类方法，其特征在于，包括如下：
(1)建立由域共享子网络F与域特定子网络Fj构成的特征提取网络；
(2)使用特征提取网络从原始图像文件中提取图像特征：
2a)对于来自源域j的第i个训练样本经过域共享子网络F，得到初步特征其中θF表示F的网络参数，j＝1...N，N表示源域个数，表示源域j中样本的数目；
对于来自目标域的第t个样本经过域共享子网络F，得到初步特征其中t＝1...nT，nT表示目标域中样本的数目；
2b)将2a)中得到的初步特征输入到第j个源域特有的域特定子网络Fj中，得到原始图像的最终特征Fj(F(xq；θF)；θFj)，其中θFj表示Fj的网络参数，xq表示输入域特定子网络的第q个样本，
(3)将(2)中得到的最终特征输入到域判别器Dj中，得到输出Dj(Fj(F(xi；θF)；θFj)；θDj)，利用该输出计算得到Dj的域判别损失其中θDj表示Dj的网络参数；
(4)将(2)中得到的最终特征输入到分类器Cj中，得到不同的输出：
对于来自源域j的图像，只有源域分类器Cj被激活，输出利用其输出计算得到Cj的分类损失其中θCj表示Cj的网络参数；
对于来自目标域的图像，所有的分类器都被激活，输出N个P维预测向量，取每个P维向量中最大元素对应的类别标记，即可得到N个伪标记，其中，P表示目标域数据的类别总数；
(5)利用目标域样本的伪标记与源域j中的样本标记，计算源域j与目标域中同类别数据的最大均值差异MMD距离，并对所有类别的MMD距离求和得到
(6)根据域判别损失分类损失及所有类别的MMD距离之和对特征提取网络、域判别器及分类器进行训练，得到训练后的特征提取网络、域判别器及分类器；
(7)将待测样本输入到训练后的特征提取网络、域判别器及分类器中，通过特征提取网络从待测样本中提取图像特征，并将该特征作为域判别器及分类器的输入进行域判别及分类，最终得到该待测样本的N个P维预测向量；
(8)计算每个P维预测向量的熵，并利用该熵值计算得到目标域样本的最终类别标记。
2.根据权利要求1所述的方法，其特征在于：(1)中的域共享子网络F是由卷积层后接4个残差块构成的残差神经网络。
3.根据权利要求1所述的方法，其特征在于：(1)中的域特定子网络共有N个，每个子网络是由卷积层、批标准化层及relu激活函数构成的多层神经网络。
4.根据权利要求1所述的方法，其特征在于：(3)中域判别器共有N个，每个域判别器均由全连接层构成。
5.根据权利要求1所述的方法，其特...
【专利技术属性】
技术研发人员：方敏，徐筱，杜辉，胡心钰，李海翔，郭龙飞，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：陕西;61
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。