基于深度联合语义的无监督多源领域自适应方法技术

本发明专利技术涉及图像分类技术领域，具体涉及一种基于深度联合语义最大均值差异度量指标的无监督多源领域自适应方法，其特征在于，包括：获取不同来源的样本图像，并对数据进行预处理；建立无监督多源领域自适应网络模型，引入联合语义最大平均差异JSMMD，以对齐条件分布和联合分布学习到的跨域特征，所述无监督多源领域自适应网络模型包含公共特征提取器、任务特定层以及任务分类层；训练无监督多源领域自适应模型；利用训练后的无监督多源领域自适应模型获取目标域样本的分类结果。模型获取目标域样本的分类结果。

Unsupervised multi-source domain adaptive method based on deep joint semantics

【技术实现步骤摘要】
基于深度联合语义的无监督多源领域自适应方法

：
[0001]本专利技术涉及图像分类
，具体涉及一种基于深度联合语义最大均值差异度量指标的无监督多源领域自适应方法。

技术介绍
：
[0002]深度学习被广泛的应用于图像分类、目标检测等计算机视觉领域并取得了显著的成果。大规模标记具有可用性的数据集对于深度学习的巨大成功起着至关重要的作用。然而，手工标记过程是非常费时和费力的。如何利用已有带标签的领域数据去解决未知相关无标签领域的相应任务是解决大规模数据标注的重要方向。
[0003]近年来，无监督域自适应(UDA)通过将信息从现有的标记源域转移到未标记的目标域，成为解决数据标记问题的一个有吸引力的解决方案。根据可用的源域数量，UDA可分为单源UDA(SUDA)和多源UDA(MUDA)。SUDA通过将单个有标注的相关源域学习到的知识迁移到目标域。然而在现实中可利用的相关源域往往不止一个，所以MUDA在实践中更可行，在性能改进方面更有价值并在许多领域都受到了相当多的关注。MUDA的学习范式存在的最大挑战即缩小源域和目标域的分布差异，这样源域上学本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度联合语义的无监督多源领域自适应方法适应方法，其特征在于，包括以下步骤：步骤1：获取不同来源的训练样本图像，并对数据进行预处理；步骤2：建立无监督多源领域自适应网络模型，引入联合语义最大平均差异JSMMD，以对齐条件分布和联合分布学习到的跨域特征，所述无监督多源领域自适应网络模型包含公共特征提取器、任务特定层以及任务分类层，其中公共特征提取器用于将所有的源域和目标域映射到一个公共特征空间中用于公共领域不变表示，任务特定层用于将公共特征空间中的公共特征映射到任务特定层学习每个源域和目标域的特定特征，任务分类层，用于输出源域和目标域的类别概率值；所述的任务特定层由两个部分组成：(1)1
×
1的卷积层用来将n个源域的公共特征映射到任务特定层，并降维到256；(2)全连接层用来对n个源域通过1
×
1的卷积层后的特征进一步提取，使任务特定特征停留在多个全连接层上；一致性正则化项L
disc
用于对约束目标域在多个分类器上输出一致从而避免了人为依靠经验设置投票函数；步骤3：训练无监督多源领域自适应模型；步骤4：利用训练后的无监督多源领域自适应模型获取目标域样本的分类结果。2.根据权利要求1所述的一种基于深度联合语义的无监督多源领域自适应方法，其特征在于，步骤2中所述无监督多源领域自适应模型定义如下：其中，表示第k个源域服从的分布，P
t
表示目标域服从的分布；L表示任务特定层的个数；E
c
...

【专利技术属性】
技术研发人员：王帅，程志明，颜成钢，
申请(专利权)人：山东大学，
类型：发明
国别省市：