一种基于有利特征提取的图片域自适应网络结构与方法技术

本发明专利技术的目的是提供一种基于有利特征提取的图片域自适应网络结构与方法。由源域有利特征编码器、目标域有利特征编码器、源域冗余特征编码器、目标域冗余特征编码器、领域混淆器、重构特征解码器、分类器组成。源域和目标域的有利特征编码器各自编码其有利分类特征，压缩不利分类特征、冗余特征；通过领域混淆器混淆源域与目标域的特征，将知识从源域向目标域迁移；通过重构特征编码器保证信息的完整性；采用分类器分类提取特征。手动标注目标域中的少量数据，保留源域中不存在但有利的特征，独立编码源域和目标域的特征空间；在有利特征编码器中添加特征精简功能；使用分块训练的方式迭代训练模型，再使用总体损失函数微调整个模型。

【技术实现步骤摘要】

本专利技术属于深度学习领域，涉及一种图片分类的领域自适应方法和装置，具体涉及一种基于有利特征提取的图片域自适应网络结构与方法。

技术介绍

1、在生物神经系统的研究基础上，通过对生物神经系统的神经细胞为基础的神经元进行建模，得到基于神经元的计算模型-神经网络，神经网络是实现机器学习任务的一种重要方法。受硬件技术和数据量的限制，早期对神经网络的研究停留在浅层网络，重点研究网络的内部构成和运算方式。由于浅层的神经网络参数量有限，其学习能力非常弱，要实现复杂的机器学习任务，使用简单的浅层神经网络已经很难实现了。

2、21世纪以来，在生物神经网络的研究中，发现神经元与神经元之间是相互连接的，科学家试图加深神经网络，解决浅层神经网络学习能力弱的限制，依托于硬件技术的进步和数据的迅速膨胀，深度学习脱颖而出，深度学习的出现是社会进入大数据时代的一个重要标志。深度学习方法已经成为现代机器学习一个最重要的分支，并且取得了重大成就，例如深度卷积神经网络(convolutional neural networks，cnn)在多媒体和计算机视觉领域的各种图像分类和视觉识本文档来自技高网...

【技术保护点】

1.一种基于有利特征提取的图片域自适应网络结构，包括领域混淆器、重构特征解码器、分类器，其特征在于，还包括源域有利特征编码器、目标域有利特征编码器、源域冗余特征编码器、目标域冗余特征编码器；所述的图片域自适应网络的整体是基于对抗网络来实现源域和目标域特征分布对齐，基于软子空间正交性约束实现有利分类特征和不利分类或冗余特征的分离，基于重构网络保证特征对齐和分离过程中信息完整性；

2.一种应用权利要求1所述一种基于有利特征提取的图片域自适应方法，其特征在于，其训练过程包括如下步骤：

【技术特征摘要】

1.一种基于有利特征提取的图片域自适应网络结构，包括领域混淆器、重构特征解码器、分类器，其特征在于，还包括源域有利特征编码器、目标域有利特征编码器、源域冗余特征编码器、目标域冗余特征编码器；所述的图片域自适应网络的整体是基于对抗网络来实现源域和目标...

【专利技术属性】
技术研发人员：姚彦鑫，王晨旭，
申请(专利权)人：北京信息科技大学，
类型：发明
国别省市：