[发明专利]一种基于类相关矩阵特征值分解的域自适应方法

权利要求书

1.一种基于类相关矩阵特征值分解的域自适应方法，其特征在于，包括如下步骤，

步骤S1、设定一个源域D_s＝(X^s，Y^s)和目标域D_t＝(X^t)；

步骤S2、基于GANs利用对抗性训练同时训练特征提取器F和域分类器D，最后通过标签分类器G对样本进行分类；

步骤S3、用Resnet50作为特征提取器，将源域样本x_g和目标域样本x_t输入Resnet50提取出的特征分别记为f_s和f_t，f_s和f_t再输入标签分类器G得到g_s和g_t；将整个网络公式化为具有两个竞争误差项的极小极大优化问题，第一，E(G)是最小化标签分类器G上的源域分类风险；第二，E(D,G)在D上最小化，但在特征提取器F和标签分类器G上最大化，则，

在式中，L(·)代表交叉熵损失函数，总的优化目标为：

min_GE(G)-λE(D，G)，

min_DE(D，G)；

通过联合变量h＝(f,g)在标签分类器的预测g上调节域鉴别器D；

步骤S4、目标域上的分类器输出为其中B是目标数据的批量大小，|C|是源类的数量，F是特征提取器，G是标签分类器；第i个实例属于第j类的概率Y_ij为

其中Z_ij是分类器层的logit输出，T是用于概率缩放的温度超参数。由于Y_ij揭示了第i个实例和第j类之间的关系，将两个类第j类和第j′类之间的类相关性初步定义为

其中，y._j′为每个批次中的B个示例来自第j类的概率，

对主对角线上的值进行加权操作，并基于信息熵对类相关性进行加权操作，则，

其中，W_ii为量化第i个示例对类混淆建模的重要性的概率，W是对角矩阵；所以加权后的类相关矩阵为；然后对加权后的类相关矩阵进行特征值分解，得到特征值的和，以特征值的和的均值作为标签分类器损失。

2.根据权利要求1所述的一种基于类相关矩阵特征值分解的域自适应方法，其特征在于，还包括步骤S4、对标签分类器G加以限制，将目标域上的分类器输出表示为其中B是目标数据的批量大小，|C|是源类的数量，F是特征提取器，G是标签分类器；使用温度参数，第i个实例属于第j类的概率Y_ij为

其中，Z_ij为分类器层的logit输出，T为用于概率缩放的温度超参数；由于Y_ij揭示了第i个实例和第j类之间的关系；

将两个类第j类和第j′类之间的类相关性初步定义为

y._j′为每个批次中的B个示例来自第j类的概率；

对主对角线上的值进行加权操作，则

其中，熵是对不确定性的度量,

其中W_ii是量化第i个示例对类混淆建模的重要性的概率，W是相应的对角矩阵。

所以加权后的类相关矩阵为：

对加权后的类相关矩阵进行特征值分解，得到特征值的和，以特征值的和的均值作为标签分类器损失。