[发明专利]一种基于结构特征增强和类中心匹配的跨域图像分类方法

权利要求书

1.一种基于结构特征增强和类中心匹配的跨域图像分类方法，其特征在于，所述方法包括以下步骤：

S1：获取具有真实标签的源域图像和待分类的目标域图像；

S2：构建视觉特征提取器，提取源域图像和目标域图像的初始视觉特征，构建结构特征提取器，提取源域图像和目标域图像的初始结构特征；

S3：基于源域图像和目标域图像的初始视觉特征、源域图像和目标域图像的初始结构特征，获得源域图像增强特征和目标域图像增强特征；

S4：利用源域图像增强特征和目标域图像增强特征对目标域图像进行类中心匹配，获得目标域图像的伪标签；

S5：使用具有真实标签的源域图像和具有伪标签的目标域图像对视觉特征提取器、结构特征提取器和分类器进行训练，获得训练好的视觉特征提取器、结构特征提取器和分类器；

所述步骤S5的具体方法为：

S5.1：初始化视觉特征提取器和结构特征提取器的网络参数；

S5.2：建立总损失函数，设置训练参数；

S5.3：输入所有具有真实标签的源域图像和具有伪标签的目标域图像；

S5.4：采用随机梯度下降算法对视觉特征提取器、结构特征提取器和分类器进行迭代训练；直到总损失函数的取值最小时，训练结束，获得训练好的视觉特征提取器、结构特征提取器和分类器；

S6：使用训练好的视觉特征提取器、结构特征提取器和分类器对待分类的目标域图像进行分类，获得待分类的目标域图像的分类结果。

2.根据权利要求1所述的基于结构特征增强和类中心匹配的跨域图像分类方法，其特征在于，获取源域图像和目标域图像的初始视觉特征的具体方法为：

以深度卷积神经网络Alexnet为基础网络构建视觉特征提取器；

将源域图像集合和目标域图像集合中的所有图像输入视觉特征提取器，获得源域图像的初始视觉特征集合和目标域图像的初始视觉特征集合

其中，n_s表示源域图像的数量，表示第n_s张源域图像，表示第n_t张目标域图像，n_t表示目标域图像的数量；X_SV表示源域图像的初始视觉特征集合，表示第n_s张源域图像的初始视觉特征；X_TV表示目标域图像的初始视觉特征集合，表示第n_t张目标域图像的初始视觉特征。

3.根据权利要求2所述的基于结构特征增强和类中心匹配的跨域图像分类方法，其特征在于，获取源域图像和目标域图像的初始结构特征的具体方法为：

以深度卷积神经网络Alexnet为基础网络构建结构特征提取器，所述结构特征提取器包括结构分数提取器和图卷积神经网络；

将源域图像集合和目标域图像集合中的所有图像输入结构分数提取器，获得源域图像结构分数集合X_SC和目标域图像结构分数集合X_TC；

将源域图像结构分数集合X_SC和目标域图像结构分数集合X_TC输入图卷积神经网络，获得源域图像的初始结构特征集合和目标域图像的初始结构特征集合

其中，X_SD表示源域图像的初始结构特征集合，表示第n_s张源域图像的初始结构特征；X_TD表示目标域图像的初始结构特征集合，表示第n_t张目标域图像的初始结构特征。

4.根据权利要求3所述的基于结构特征增强和类中心匹配的跨域图像分类方法，其特征在于，所述S3中，获得源域图像增强特征和目标域图像增强特征的具体方法为：

对源域图像的初始视觉特征和初始结构特征进行拼接操作，获得源域图像增强特征集合X_SF＝[X_SV,X_SD]；

对目标域图像的初始视觉特征和初始结构特征进行拼接操作，获得目标域图像增强特征集合X_TF＝[X_TV,X_TD]。