[发明专利]基于类一致性结构化学习的跨域图像分类方法和相关装置

权利要求书

1.一种基于类一致性结构化学习的跨域图像分类方法，其特征在于，包括：

获取源域数据集和目标域数据集，所述源域数据集包括源域样本图像和所述源域样本图像的标签，所述目标域数据集包括目标域样本图像；

基于使用所述源域数据集训练的第一图像分类器，获得各个所述目标域样本图像的初始化伪标签；

将所述源域数据集和所述目标域数据集投影至同一公共空间，获得源域样本点和目标域样本点，并基于所述初始化伪标签和所述标签，根据同一类别的所述源域样本点和所述目标域样本点进行初始化，获得投影矩阵、图矩阵、类别权重矩阵、源域的拉普拉斯矩阵及目标域的拉普拉斯矩阵；

根据所述图矩阵、所述类别权重矩阵、所述源域的拉普拉斯矩阵及所述目标域的拉普拉斯矩阵，对所述投影矩阵进行更新，获得更新后的投影矩阵；

使用所述更新后的投影矩阵对所述源域数据集和所述目标域数据集进行投影学习，获得投影后的源域样本数据和投影后的目标域样本数据；

基于使用带所述标签的所述投影后的源域样本数据训练的第二图像分类器，对所述投影后的目标域样本数据进行分类，获得所述投影后的目标域样本数据的伪标签；

当循环次数未达到预设次数，根据所述标签和所述伪标签分别对所述图矩阵、所述类别权重矩阵及所述目标域的拉普拉斯矩阵进行更新，获得更新后的图矩阵、更新后的类别权重矩阵及更新后的目标域的拉普拉斯矩阵，并基于所述更新后的图矩阵、所述更新后的类别权重矩阵及所述更新后的目标域的拉普拉斯矩阵，返回所述根据所述图矩阵、所述类别权重矩阵、所述源域的拉普拉斯矩阵及所述目标域的拉普拉斯矩阵，对所述投影矩阵进行更新，获得更新后的投影矩阵；

当循环次数达到所述预设次数，则获得各个所述目标域样本图像的分类结果，所述分类结果为所述伪标签；

其中，根据所述图矩阵、所述类别权重矩阵、所述源域的拉普拉斯矩阵及所述目标域的拉普拉斯矩阵，对所述投影矩阵进行更新，获得更新后的投影矩阵，包括：通过公式(XΩX^T+βI_m)P＝XHX^TPΦ获得所述更新后的投影矩阵；β为超参数；

其中，X＝[X_s，X_t]∈R^m×n，X_s为所述源域数据集，X_t为所述目标域数据集，P为所述投影矩阵，I_m∈R^m×m为维度为m的单位矩阵，R^m×m表示维度为m×m的实数空间，R^m×n表示维度为m×n的实数空间，m和n分别表示空间维度；

Φ＝diag(Φ₁，Φ₂，...，Φ_d)∈R^d×d为对角元素是拉格朗日乘子的对角矩阵；α，η，γ均为超参数；M_c为所述类别权重矩阵，

v⁽ⁱ⁾为包含z_t，i的前个最近邻接点的目标域样本点集合，

δ∈[0，1]为预先设定的邻接因子，为向上取整符号；表示样本点和样本点的类别标签一样；表示样本点的类别标签，表示样本点的类别标签，其中，是的近邻点，α_i、α_j表示目标域中每一个样本的权重系数；Z_t表示目标域数据在投影空间中的形式，Z_t＝P^TX_t，z_t，i表示Z_t中的第i个数据；

分别为源域样本点和目标域样本点；为类别为c的源域样本点和目标域样本点；

L_s为所述源域的拉普拉斯矩阵，L_t为所述目标域的拉普拉斯矩阵；G为所述图矩阵，且且表示维度为n_s×n_t的实数空间，n_s和n_t表示空间维度；

，z_i＝P^Tx_i，z_j＝P^Tx_j为投影后的样本点，y(z_i)，y(z_j)为投影后的样本点的标签；

u⁽ⁱ⁾为包含的k个最近邻接点的目标域样本点集合，k为预先设定的最近邻接点数目，c∈{1，2，...，C}为源域和目标域共有的类别数目，和分别为源域和目标域类别为c的样本数，分别为源域和目标域中类别为c的样本点；n＝n_s+n_t；

I_n，I_d分别为维数为n和d的单位矩阵，1_n×n为元素全为1的方阵。