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

本发明专利技术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，属于计算机视觉领域，针对现有图像分类方法中，一般都假设训练样本和测试样本服从相同的分布，但在实际应用中，由于各种因素(如光照和分辨率)的影响，它们的分布通常是不同的这个问题。通过迭代策略在源域和目标域分别使用重构矩阵来循环重构数据矩阵并更新公共子空间，这种方式不但学习了公共子空间的不变特征还可以保持源域和目标域的全局和局部结构，此外还在转换后的特征上实现了额外的判别约束，以确保两个域数据的类可辨别性。为了避免过拟合，添加了图正则项约束。通过减小两个域之间的分布差异实现跨域识别，提高了图像分类性能。提高了图像分类性能。提高了图像分类性能。

【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(即一些数据基本信息丢失)。

技术实现思路

[0004]有鉴于此，本专利技术的目的在于提供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，通过迭代策略使用两个重构矩阵循环重构数据矩阵并更新公共子空间，学习公共子空间中的不变特征，更好地保留了两个原始域的全局和局部结构，在转换后的特征上进行额外的判别约束，例如类内聚合和类间扩散，以确保两个域数据的类可辨别性，提高图像分类的性能。
[0005]为达到上述目的，本专利技术提供如下技术方案：
[0006]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，包括以下步骤：
[0007]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；
[0008]S2：使用分类器对目标域的转换结果进行分类。
[0009]进一步，步骤S1具体包括以下步骤：
[0010]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；
[0011]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；
[0012]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；
[0013]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；
[0014]S15：引入图正则项，保留数据的结构。
[0015]进一步，步骤S11具体包括：
[0016]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：
[0017]P
T
X
s
Z
s
＝P
T
X
t
[0018]在目标域中使用目标重构矩阵重建源域中的特征，表示为：
[0019](P
T
X
s
)
T
＝Z
t
(P
T
X
t
)
T
[0020]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。
[0021]进一步，步骤S12具体包括：
[0022]给源重构系数矩阵Z
s
添加稀疏约束：
[0023][0024]给目标重构矩阵Z
t
施加低秩约束：
[0025][0026]其中，||
·
||
*
是矩阵的核范数。
[0027]进一步，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：
[0028][0029]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：
[0030][0031]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
[0032]进一步，步骤S14具体包括：
[0033]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：
[0034][0035][0036]其中，u
c
和u分别表示c类和所有类的样本均值；
[0037]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：
[0038][0039]进一步，步骤S15具体包括：
[0040]引入自适应图拉普拉斯约束，定义为：
[0041][0042]其中A∈R
n
×
n
是要学习的图；
[0043]引入基于流形排序的图平滑项：
[0044][0045]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；
[0046]结合上式表示为：
[00本文档来自技高网...

【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≤...

【专利技术属性】
技术研发人员：周婉怡，陶洋，
申请(专利权)人：重庆邮电大学，
类型：发明
国别省市：