【技术实现步骤摘要】
一种具有周期重构子空间学习的领域自适应图像分类方法
[0001]本专利技术属于计算机视觉领域,涉及一种具有周期重构子空间学习的领域自适应图像分类方法。
技术介绍
[0002]机器学习和数据挖掘方法在模式识别方面取得了显著的成功。然而,许多机器学习和数据挖掘算法的一个主要假设是,训练数据和测试数据必须在相同的特征空间中具有相同的特征分布。但在许多实际应用中,由于光照强度、相机设备、环境、视角和分辨率的变化,这个假设可能并不正确。这时大多数统计模型需要使用新收集的训练数据进行重建,这是昂贵且耗时的。在这种情况下,如果能够成功地转移知识,可以避免昂贵的数据注释,并可以大大提高学习性能。在这一点上,域适应通过从相关域的数据中提取有用信息并传递到目标域,解决了跨域分类的问题。领域自适应通常分为两类:半监督领域自适应和无监督领域自适应。半监督领域自适应表示目标域中的一部分样本具有标签,无监督领域自适应表示目标域中的样本没有可用标签。本专利技术主要研究更具有挑战性的无监督领域自适应。
[0003]现有的领域自适应方法思路旨在找到一个有用的变换矩阵,将两个域的数据投影到散度减小的公共子空间,为了使得到的公共子空间保存有用的属性,现有工作引入了称为重构矩阵的矩阵,在变换后连接源域和目标域。这样,来自目标域的每个数据都可以由公共子空间中的源数据线性重构,而不仅仅是减少域分布的差异。然而,它将对源域的基本结构造成一些损害,以便更好地在单个方向上表示目标数据。表示源数据的目标域中的数据将在一定程度上损害目标域的结构(即一些数据基本信 ...
【技术保护点】
【技术特征摘要】
1.一种具有周期重构子空间学习的领域自适应图像分类方法,其特征在于:包括以下步骤:S1:对于待分类的图像,首先寻找合适的投影矩阵P,将源域和目标域投影到公共子空间,减少域分布差异;S2:使用分类器对目标域的转换结果进行分类。2.根据权利要求1所述的具有周期重构子空间学习的领域自适应图像分类方法,其特征在于:步骤S1具体包括以下步骤:S11:使用两个重构矩阵循环重构公共子空间,使子空间和重构矩阵根据循环迭代的反馈进行修改;S12:对不同的重构矩阵施加不同的约束,保留原始域的不同结构信息;S13:使用源域的可靠标签将原始域映射到公共子空间P后,循环重建以学习判别子空间,引入标签松弛矩阵获得更加自由的公共子空间;S14:通过改进的线性判别分析方法LDA扩大不同类别样本之间的距离,减少同一类样本之间的距离,增加类判别性;S15:引入图正则项,保留数据的结构。3.根据权利要求2所述的具有周期重构子空间学习的领域自适应图像分类方法,其特征在于:步骤S11具体包括:给定源域数据m是特征维数标签,n
s
为源数据的个数,目标域数据为n
t
为目标数据的个数,P∈R
m
×
C
为投影矩阵,为源重构系数矩阵,P
T
X
s
表示转换后的源样本,P
T
X
t
表示转换后的目标样本,使用源域中的数据来重构目标域中的数据表示为:P
T
X
s
Z
s
=P
T
X
t
在目标域中使用目标重构矩阵重建源域中的特征,表示为:(P
T
X
s
)
T
=Z
t
(P
T
X
t
)
T
将两式组合方程建立循环结构子空间,源数据投影到目标域,目标域数据依次重构源数据,直到收敛。4.根据权利要求2所述的具有周期重构子空间学习的领域自适应图像分类方法,其特征在于:步骤S12具体包括:给源重构系数矩阵Z
s
添加稀疏约束:给目标重构矩阵Z
t
施加低秩约束:其中,||
·
||
*
是矩阵的核范数。5.根据权利要求2所述的具有周期重构子空间学习的领域自适应图像分类方法,其特征在于:步骤S13中,使用源域的可靠标签将原始域映射到公共子空间P后,循环重建以学习判别子空间,表示为:
引入非负的标签松弛矩阵M,将严格的二元标签矩阵松弛为松弛变量矩阵,为P提供更大的自由度:其中,矩阵为标签矩阵,其中C为类数,对于无监督领域自适应,标签仅适用于源域;对于样本x
i
其标签为y
i
∈R
C
,如果x
i
为第k类那么只有y
i
的第k个元素是1,其它元素都为0;
⊙
为哈达玛积算子,B是一个常数矩阵,其中每个元素从几何上来看,B
ij
对应拖拽方向,“+1”表示拖向正轴,
“‑
1”表示指向负轴;Y上的每个元素被拖拽的大小为对应的M中的元素;假设三个样本x1,x2,x3分别属于第三类,第一类和第二类,它们的传统标签矩阵为x1和x2投影到标签空间时它们的距离为它们的标签松弛矩阵为x1和x2投影到标签空间时它们的距离为6.根据权利要求2所述的具有周期重构子空间学习的领域自适应图像分类方法,其特征在于:步骤S14具体包括:引入类内和类间散射矩阵,其中S
w
为类内散射矩阵,S
b
为类间散射矩阵,计算方法分别表示为:表示为:其中,u
c
和u分别表示c类和所有类的样本均值;衡量两个类别之间的“平均边际”,使变换后的样本接近同一类的样本,但与不同类的样本分离,表达式为:7.根据权利要求2所述的具有周期重构子空间学习的领域自适应图像分类方法,其特征在于:步骤S15具体包括:引入自适应图拉普拉斯约束,定义为:
其中A∈R
n
×
n
是要学习的图;引入基于流形排序的图平滑项:其中,Q∈R
n
×
n
表示由数据预先构造的初始化图,其中每个元素表示对应两个样本的相似度;使用高斯核函数计算样本x
i
和x
j
之间的相似度,对角矩阵D∈R
n
×
n
由得到;结合上式表示为:s.t.0≤...
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。