[发明专利]一种基于交互表示的域自适应子空间学习方法

说明书

一种基于交互表示的域自适应子空间学习方法，属于图像分类技术领域，本发明在源域和目标域上建立了两个基于低秩约束的交互表示模型，可以更好地协调数据间的分布差异；设计一种距离约束来模拟源域和目标域之间的子空间关系，解决两个域域不一致的问题；开发一种联合框架，使用基于标签的回归来获得额外的分类判别，以此促进模型的自适应性和鲁棒性；与其他方法相比，本发明的精确度更高，性能更加稳健。

技术领域

本发明属于图像分类技术领域，具体涉及一种基于交互表示的域自适应子空间学习方法。

背景技术

在大多数机器学习方法中，源域和目标域通常被认为具有相似的分布。然而，在现实世界中，源域和目标域受光线、角度、背景的影响，因此出现了域不一致的问题，即源域和目标域不能具有相似的分布。然而，在对图像进行分类时，域不一致会导致分类精度的降低，且传统的域自适应的方法只考虑了局部信息而没有考虑全局信息的问题。

发明内容

本发明克服了上述技术的不足，提供了一种基于交互表示的域自适应子空间学习方法，在源域和目标域上建立了两个基于低秩的交互式表示模型，使得两个域可以尽可能的对齐，从而减少两个域之间的分布差异。通过一个距离约束来对源域和目标域之间的子空间关系进行建模，促进模型的鲁棒性。设计了一种基于标签的回归模型，提升分类器的分类能力。

本发明实施方式，包括步骤：

将一个图像数据集划分为源域和目标域；

通过低秩约束实现重构矩阵找到一个不变的子空间；

通过设置一个距离约束来解决两个域的域不一致问题；

将目标域与源域的标签加入到分类模型中，得到一个类似于域间子空间的判别式，以获得更多的鉴别信息，提高模型的分辨率；

结合得到的子空间和标签信息，得到分类函数；

求解出分类函数最小化时各个变量的值，并计算出分类结果；

根据所得到的分类结果，计算所述图像数据集中图像的分类精度。

进一步地，所述不变子空间表达公式为：

其中，和分别表示源域和目标域的样本，D表示原始样本的维数，n_s和n_t分别表示源域和目标域的样本个数，P_s∈R^D×d和P_t∈R^D×d分别表示源域和目标域的投影，d表示子空间的维数，Z₁和Z₂表示重构矩阵，λ表示权衡参数，||·||₂为l₂范数，||·||_*为核范数。

进一步地，所述距离约束为：

进一步地，所述标签判别式为：

其中，X表示源域数据集和目标域数据集的合成数据集，X＝[X_s+X_t]，标签矩阵Y定义为：

进一步地，所述分类函数为：

其中，λ和表示权衡参数。

进一步地，所述分类函数值最小化时各个变量的值的求解方法包括以下：

通过增广拉格朗日乘子法确定目标函数的拉格朗日函数形式；