【技术实现步骤摘要】
本专利技术涉及计算机视觉的，尤其是指一种基于原型组合的多源无监督领域自适应图片分类方法。
技术介绍
1、随着人工智能的蓬勃发展和广泛应用，计算机视觉技术也应运而生，其通过模拟人类对图片的识别，对图片的特征进行提取和分类。在智能制造业中，图像传感器的广泛使用为监测设备状态、控制生产流程、保障生产安全等提供了依据。这些工业数据呈现出海量、多源、缺少标注等特点，如何充分利用这些大数据成为亟待解决的问题。传统的机器学习算法通常依赖于大量的标记数据来有效地训练学习模型，并且假设训练数据和测试数据具有相同的输入特征空间和服从相同的数据分布。然而在现实情况下，获取这类数据作为训练数据要花费大量的人力、物力，甚至是不可能的。此外，由于域位移的存在，直接将在特定源领域训练的模型部署到目标领域通常会导致性能下降。
2、近年来多源无监督领域自适应的研究已取得重大进展，但现存的方法大多是在领域的层面上进行多个源域和目标域进行对齐，较少在类别的层面进行多个源域和目标域的对齐。对于在领域层面的对齐方法，它们使多个源域和目标域的不同类别样本相互对齐，然而这种对齐是粗糙的，只能减少领域间的差异，还有可能使不同类别的样本相互接近而影响分类精度。另外，现有的多源领域自适应算法大多平等地对待每个源域，但每个源域对于目标域具有的可迁移的知识量也不同，因而对于每个源域的关注度也应该不一样。为此，设计一个原型组合机制，以极少的计算量自适应地为每个源域原型和源域样本特征嵌入分配权重，来衡量每个源域对目标域的可迁移知识，使属于多源域和目标域的同一类样本相互对齐，不
技术实现思路
1、本专利技术的目的在于克服现有技术的缺点与不足，提出了一种基于原型组合的多源无监督领域自适应图片分类方法，可自适应地提高模型对目标域样本预测有关键作用的源域的关注度，对多源域和目标域实现更精细的对齐，减少了计算量，提高了目标域样本的预测精度。
2、为实现上述目的，本专利技术所提供的技术方案为：基于原型组合的多源无监督领域自适应图片分类方法，该方法采用一个由特征提取器和分类器组成的图片分类模型实现多源无监督领域的自适应图片分类，并采用穆尔-彭罗斯广义逆矩阵求解线性方程组最优解的理论来设计原型组合机制为各具有不同分布的源域的原型分配权重，所述原型是一组相似实例的代表性特征，并通过计算原型组合物整合各源域中的知识，所述原型组合物由源域的原型和源域的样本特征嵌入按设定权重加权计算得到；
3、该多源无监督领域自适应图片分类方法的具体实施包括以下步骤：
4、步骤1，将n个源域和一个目标域的图片数据进行数据增强和随机抽样，并转换为张量矩阵，其中源域的每张图片带有相应的标签，而目标域的图片没有标签；
5、步骤2，将张量矩阵输入到基于卷积神经网络的特征提取器，得到源域和目标域的样本特征嵌入；
6、步骤3，根据源域的样本特征嵌入及其对应的标签，采用均值估计为每个源域中属于同个类别的样本特征嵌入都估计一个原型；将提取到的源域和目标域的样本特征嵌入输入由两层全连接层组成的分类器，得到源域的样本预测的准确率；根据源域的样本预测的准确率，使用基于logistic函数的自适应调整阈值的伪标签策略自适应调整阈值，为目标域的样本标注伪标签的同时，将目标域的样本划分为高置信度目标域样本子集和低置信度目标域样本子集；根据高置信度的目标域的样本特征嵌入及其对应的伪标签，采用均值估计为高置信度目标域样本子集中属于同个类别的样本都估计一个原型；
7、步骤4，采用穆尔-彭罗斯广义逆矩阵求解线性方程组最优解的理论设计原型组合机制，为同一类别下不同源域的原型和源域的样本特征嵌入分配权重，使以该权重加权组合之后得到的原型组合物最接近相应类别的目标域的原型和目标域特征嵌入；
8、步骤5，根据源域的标签和高置信度目标域样本子集的目标域样本的伪标签，构造对比损失函数在类别层次进行特征对齐，使源域和目标域的样本特征嵌入与相应标签类别的原型组合物和目标域的原型相互接近，与不同类别的原型组合物和目标域的原型相互远离；通过高斯核函数将低置信度目标域样本子集的样本特征嵌入和原型组合物映射到rkhs，在该rkhs中构造mmd度量损失函数，最小化它们之间的mmd度量损失在领域层次进行特征对齐；
9、步骤6，在反向传播中使用标准交叉熵分别计算源域的样本的分类器预测结果和标签的损失值以及源域与目标域的原型的分类器预测结果和标签的损失值；根据标准交叉熵损失以及上一步的对比损失和mmd度量损失，通过多次迭代分别使图片分类模型的特征提取器和分类器的损失最小，最终得到最优的图片分类模型；
10、步骤7，将目标域的样本输入到最优的图片分类模型，即可输出准确的图片分类结果。
11、进一步，在步骤1中，输入n个不同的有标记标签的源域s1,s2,…,sn，将其定义为其中是第i个源域si第j个图片样本，是源域si的样本数量，i∩{1,2,…,n}，标签r是类别数；接着，输入一个无标签的目标域将其定义为其中是目标域第j个图片样本，是目标域的样本数量，并且目标域与n个不同源域具有相同的标签空间；
12、源域和目标域的图片数据进行数据增强的手段依次为：裁剪、随机水平翻转；随机抽样的处理为：对源域和目标域随机分成多个小批次抽样样本其中，分别是的一个批次的抽样样本；由于计算机无法直接处理图片数据，因此需要将图片输入数据转化成计算机可识别的数据类型；将一个随机抽样得到的训练批次彩色图片表示为4维张量，令第一维表示图片的数量，第二维表示rgb三色通道，第三、四维表示图片单通道的像素矩阵；最后，根据不同的深度学习框架，转化成对应的存储格式，作为特征提取器的输入。
13、进一步，在步骤2中，对于由步骤1得到的张量矩阵，根据图片的具体大小和风格选择alexnet、resnet-50、lenet卷积神经网络作为特征提取器提取样本的特征，得到图片的样本特征嵌入，其中第一层卷积层的卷积核宽度应与张量维度相同。
14、进一步，步骤3的具体操作步骤如下：
15、步骤3.1，采用均值估计为各个源域中每个类别都计算一个估计原型；
16、对于源域si的第k类的估计原型，采用中的样本特征嵌入进行估计，其估计原型定义为：
17、
18、式中，是中属于k类的所有样本的集合，表示中的样本数，f(·)表示将图片的张量矩阵映射到特征嵌入向量的特征提取器；
19、使用logistic函数自适应调整阈值tc的伪标签策略，将bmin中的目标域样本集的样本分成两个子集：由分类器预测的伪标签概率高于tc的高置信度目标域样本组成的子集定义为由分类器预测的伪标签概率低于tc的低置信度目标域样本组成的子集定义为tc的定义如下:
20、
21、式中，ρ是超参数，a是分类本文档来自技高网...
【技术保护点】
1.基于原型组合的多源无监督领域自适应图片分类方法，其特征在于：该方法采用一个由特征提取器和分类器组成的图片分类模型实现多源无监督领域的自适应图片分类，并采用穆尔-彭罗斯广义逆矩阵求解线性方程组最优解的理论来设计原型组合机制为各具有不同分布的源域的原型分配权重，所述原型是一组相似实例的代表性特征，并通过计算原型组合物整合各源域中的知识，所述原型组合物由源域的原型和源域的样本特征嵌入按设定权重加权计算得到；
2.根据权利要求1所述的基于原型组合的多源无监督领域自适应图片分类方法，其特征在于，在步骤1中，输入N个不同的有标记标签的源域S1,S2,…,SN，将其定义为其中是第i个源域Si第j个图片样本，是源域Si的样本数量，i∈{1,2,…,N}，标签R是类别数；接着，输入一个无标签的目标域将其定义为其中是目标域第j个图片样本，是目标域的样本数量，并且目标域与N个不同源域具有相同的标签空间；
3.根据权利要求2所述的基于原型组合的多源无监督领域自适应图片分类方法，其特征在于，在步骤2中，对于由步骤1得到的张量矩阵，根据图片的具体大小和风格选择Alexnet、Re
4.根据权利要求3所述的基于原型组合的多源无监督领域自适应图片分类方法，其特征在于，步骤3的具体操作步骤如下：
5.根据权利要求4所述的基于原型组合的多源无监督领域自适应图片分类方法，其特征在于，在步骤4中，所述原型组合物有3种类型，具体如下：
6.根据权利要求5所述的基于原型组合的多源无监督领域自适应图片分类方法，其特征在于，在步骤5中，类别层次对齐的对比损失函数和领域层次对齐的MMD度量损失函数的情况具体如下：
7.根据权利要求6所述的基于原型组合的多源无监督领域自适应图片分类方法，其特征在于，步骤6的具体步骤如下：
...【技术特征摘要】
1.基于原型组合的多源无监督领域自适应图片分类方法，其特征在于：该方法采用一个由特征提取器和分类器组成的图片分类模型实现多源无监督领域的自适应图片分类，并采用穆尔-彭罗斯广义逆矩阵求解线性方程组最优解的理论来设计原型组合机制为各具有不同分布的源域的原型分配权重，所述原型是一组相似实例的代表性特征，并通过计算原型组合物整合各源域中的知识，所述原型组合物由源域的原型和源域的样本特征嵌入按设定权重加权计算得到；
2.根据权利要求1所述的基于原型组合的多源无监督领域自适应图片分类方法，其特征在于，在步骤1中，输入n个不同的有标记标签的源域s1,s2,…,sn，将其定义为其中是第i个源域si第j个图片样本，是源域si的样本数量，i∈{1,2,…,n}，标签r是类别数；接着，输入一个无标签的目标域将其定义为其中是目标域第j个图片样本，是目标域的样本数量，并且目标域与n个不同源域具有相同的标签空间；
3.根据权利要求2所述的基于原型...
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。