[发明专利]一种基于无监督域适应的图像分类方法

说明书

本发明公开一种基于无监督域适应的图像分类方法，包括：选取有标签的源域图像数据集和无标签的目标域图像数据集，并进行数据增广；构造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；构造时序集成网络正则化目标域图像数据集中图像标签的预测结果；将对抗迁移网络、时序集成网络进行联合，构造图像分类模型；将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；用训练后的图像分类模型对待分类的目标图像进行识别，完成目标图像分类。本发明在面向网络上海量图像数据分类的过程中，极大减少了人力标注数据，且不影响图像分类的准确率，用户能快速准确地从海量图像数据中搜索到所需要的图像。

技术领域

本发明涉及图像识别技术领域，特别是涉及一种基于无监督域适应的图像分类方法。

背景技术

随着数码产品极易智能移动终端设备的普及，存储设备以及计算机网络的发展，每天网络上面新增数以亿计的海量图像数据，这些图像数据中蕴含着大量宝贵的信息，不加以合理地利用明显是一种极大的浪费。然而面对浩瀚庞大的图像数据库，如何将图像进行快速准确地分类，得到用户要搜索的图像结果，成为了科研以及商业领域迫切需要解决的问题。当今许多人工智能技术在网络图像的分类识别领域取得了巨大成就，但是这些人工智能技术均依赖于大量的标注，而标注大量数据的过程对劳动者来说非常艰辛，且成本极为昂贵，甚至是不可行的。

鉴于以上原因，在面向海量网络图像数据的分类过程中，如何减少标注量，且在减少标注量的同时又不影响模型的分类准确率成为当下急需解决的一个问题。

发明内容

本发明的目的是提供一种基于无监督域适应的图像分类方法，以解决上述现有技术存在的问题，能够有效减少数据的标注量且不影响图像分类的准确率。

为实现上述目的，本发明提供了如下方案：本发明提供一种基于无监督域适应的图像分类方法，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。

优选地，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。

优选地，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G_f(·；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。

优选地，步骤S4中，时序集成网络正则化项如式2所示：