[发明专利]一种基于无监督域适应的图像分类方法

权利要求书

1.一种基于无监督域适应的图像分类方法，其特征在于，包括如下步骤：

S1、选取源域图像数据集和目标域图像数据集；所述源域图像数据集中的图像数据有标签，所述目标域图像数据集中的图像数据无标签；

S2、对所选取的源域图像数据集和目标域图像数据集进行数据增广；

S3、构造对抗迁移网络，通过对抗迁移网络减少源域图像数据集和目标域图像数据集条件分布的差异性；

S4、构造时序集成网络，通过时序集成网络来正则化目标域图像数据集中图像标签的预测结果；来正则化目标域图像数据集中图像标签的预测结果；

S5、将步骤S3所构造的对抗迁移网络、步骤S4所构造的时序集成网络进行联合，构造图像分类模型；将步骤S2增广后的图像数据集做为训练集，采用元学习的方式对图像分类模型进行训练；

S6、采用步骤S5训练后的图像分类模型对待分类的目标图像进行识别，完成目标图像的分类；

步骤S3中，对抗迁移网络的损失函数如式1所示：

其中，N_s表示源域图像数量，N_t表示目标域图像数量；表示源域的域标签，设为0；表示目标域的域标签，设为1；G_d(·)表示判别器网络；g(·)表示梯度反转层；G_f(·)表示生成器网络，生成器网络为普通的卷积神经网络CNN；h(·)为数据增广操作；θ_m为生成器网络的参数，并将Gf(·；θ_m)定义为学生网络；为源域图像的真实标签，为目标域图像的伪标签，表示克罗内克积；

步骤S4中，时序集成网络正则化项如式2所示：

其中，M表示时序集成网络包括M组神经网络，即M个子任务；G_f(·)表示生成器网络，表示第m组神经网络的参数，并将定义为老师网络；

步骤S5中，学生网络参数的更新方法如式4所示：

其中，和分别表示源域图像和目标域图像经过随机增广后得到的特征值；Y^S表示源域图像的标签集；β表示元学习元训练过程学习率；λ表示可调节的超参数；表示对抗损失函数；表示源域图像的标签损失函数，具体表达方式如式5所示：

更新后的神经网络参数均采用时序集成网络正则化项来进行约束，优化后元学习的损失函数如式6所示：

其中，η表示可调节的超参数。

2.根据权利要求1所述的基于无监督域适应的图像分类方法，其特征在于，步骤S2中数据增广方式采用随机增广，包括：随机旋转、随机水平翻转、随机竖直翻转、随机仿射变换、高斯噪声。

3.根据权利要求1所述的基于无监督域适应的图像分类方法，其特征在于，步骤S4中，在神经网络的训练过程中，θ_m通过标准地反向传播进行更新，通过式3进行更新：

其中，α表示平滑系数，t表示第t个训练步骤。