[发明专利]一种基于域特有信息获取的无监督领域适应图像分类方法

权利要求书

1.一种基于域特有信息获取的无监督领域适应图像分类方法，其特征在于，具体步骤如下：

步骤一：源域特有特征提取，对于源域特有分支，使用带标注的源域数据作为该分支的输入，使用ResNet-50网络作为该分支的特征提取网络，直接将最后一个卷积层的输出作为源域特征，以获得源域特有特征表示；

步骤二：域共享特征的提取，对于共享网络分支，同时使用带标注的源域数据和无标注的目标域数据作为该分支的输入，用ResNet-50网络作为该分支的特征提取网络，直接将最后一个卷积层的输出作为源域和目标域特征，以获得源域和目标域的公共特征表示 和；

步骤三：目标域特有特征提取，对于目标域特有分支，使用无标注的目标域数据作为该分支的输入，使用ResNet-50网络作为该分支的特征提取网络，直接将最后一个卷积层的输出作为目标域特征，以获得目标域特有特征表示 ；

步骤四：源域特征分离函数计算，对于源域特有特征和公共特征表示，计算损失函数 ，以确保共享网络和源域特有网络提取到的特征是不一致的；

步骤五：目标域特征分离函数计算，对于目标域特有特征和公共特征表示，计算损失函数 ，以确保共享网络和目标域特有网络提取到的特征是不一致的；

步骤六：源域分类损失函数计算，对于源域特有特征表示和公共特征，进行名为A的融合，并将结果输入到分类器中，依赖源域数据标注，计算损失函数；

步骤七：源域图像重建损失函数计算，对于源域特有特征表示和公共特征，进行名为B的融合，并将结果输入到共享解码器中，解码出源域图像，利用图像重建损失进行监督；

步骤八：源域鉴别器损失函数计算，对于源域特有特征表示和公共特征，进行名为C的融合，并借助于鉴别器，鉴定特征融合后的结果是真还是假；

步骤九：目标域鉴别器损失函数计算，对于目标域特有特征表示和公共特征，进行名为D的融合，并借助于鉴别器，鉴定特征融合后的结果是真还是假；

步骤十：目标域图像重建损失函数计算，对于目标特有特征表示和公共特征，进行名为E的融合，并将结果输入到共享解码器中，解码出目标域图像，利用图像重建损失进行监督。

2.根据权利要求1所述的一种基于域特有信息获取的无监督领域适应图像分类方法，其特征在于：所述步骤一至三采用ResNet-50作为源域和目标域的特征提取网络，但不局限于此，源域和目标域的特征提取网络并不需要完全一致，或 选用LeNet和AlexNet作为源域和目标域的特征提取网络。

3.根据权利要求2所述的一种基于域特有信息获取的无监督领域适应图像分类方法，其特征在于：特征提取时，图像的输入维度为N*N，ResNet-50网络包括conv1_x、conv2_x、conv3_x、conv4_x和conv5_x五个卷积模块，其中conv2_x由3组相同的卷积结构构成，每组卷积结构为：1*1*64、3*3*64、1*1*256；conv3_x由4组相同的卷积结构构成，每组卷积结构为：1*1*128、3*3*128、1*1*512；conv4_x由6组相同的卷积结构构成，每组卷积结构为：1*1*256、3*3*256、1*1*1024；conv5_x由3组相同的卷积结构构成，每组卷积结构为：1*1*512、3*3*512、1*1*2048。

4.根据权利要求1所述的一种基于域特有信息获取的无监督领域适应图像分类方法，其特征在于：所述步骤四和步骤五中的特征分离损失函数的计算采用相似性度量，或 利用F范数进行约束，即定义共享网络在源域和目标域上提取到的特征为和，每一行表示一个样本的特征，私有网络提取到的特征为和，则计算方式为：

通过这样的方式，函数取得最小值时，每一项为0，即两个网络提取到的特征不一致。

5.根据权利要求1所述的一种基于域特有信息获取的无监督领域适应图像分类方法，其特征在于：所述步骤六中的源域分类损失函数的计算采用交叉熵损失函数，具体计算方式如下：

其中，m表示源域样本数量； 表示真实标签， 表示网络输出的预测标签分布，表示融合A的输出。