[发明专利]一种基于因果解耦生成模型的域泛化图像识别方法

权利要求书

1.一种基于因果解耦生成模型的域泛化图像识别方法，其特征在于：包括以下步骤：

步骤一、模型训练

构建模型的损失函数如下：

其中，为似然函数损失；为域判别损失；为梯度正交损失；λ是一个独立的权重参数；

似然函数损失的表达式如下：

其中，是需要寻求最大化的对数似然比的权重，E表示期望的形式；x表示高维图像数据，y表示输出变量，c为语义特征，s是域相关特征；φ_c是语义特征空间参数，φ_s是域相关特征空间参数；p(x，y)为有监督目标下的高维图像x和对应标签y的联合概率分布；p(c，s)为先验模型；M表示为训练域的数目；和分别表示从图像中在语义特征空间φ_c编码出来的语义特征分布和在域相关特征空间φ_s编码出来的域相关特征分布，其表达式为：

其中，表示多元高斯分布；

两个潜在变量c和s通过重参数方法生成，为预测分布；p_θ(x|c，s)是在参数为θ的图像空间，由c和s解码出原始的图像数据x；

损失函数的表达式如下：

其中，y_i表示第i个类别，共有n种类别，i∈{1，…n}；表示分类器；

域判别损失的表达式如下：

其中，d_j表示第j个域，共有m个训练域，j∈{1，…M}；表示域判别器；

令和定义基于梯度的正交损失如下：

其中，||·||_F表示Frobenius范数；

步骤二、模型训练及图像识别

获取含有目标对象的训练集；利用训练集对模型进行训练，迭代优化损失函数中的参数φ_c、φ_s、θ，获得域泛化图像识别模型；之后，将被测图像输入域泛化图像识别模型，对被测图像中的目标进行识别。

2.根据权利要求1所述的一种基于因果解耦生成模型的域泛化图像识别方法，其特征在于：似然函数损失的表达式的获取过程如下：

利用琴生不等式得到似然函数的证据下届ELBO为：

其中，log p(x，y)为有监督目标下的高维图像x和对应标签y的对数似然函数；E_{q(c，s|x，y)}为变分后验分布q(c，s|x，y)的期望；p(x，y，c，s)为观测数据x，标签y和潜在变量c，s的联合概率分布；为似然函数损失；

获取概率分布p(x，y，c，s)的表达式如下：

p(x，y，c，s)＝p(c，s)p_θ(x|c，s)p(y|c)

其中，p_θ(x|c，s)和p(y|c)是跨域不变的，θ是图像生成空间的参数；

根据条件独立性和贝叶斯公式，后验分布q(c，s|x，y)满足：

其中，q(y|c)是用语义特征c来预测标签y的预测分布；因为q(y|x)难以求解，所以利用推断函数q(c，s|x)和预测分布函数q(y|c)去求解q(y|x)，表示为：

q(y|x)＝∫q(c，s|x)q(y|c)dsdc；

得到VAE求解的ELBO目标如下：

3.根据权利要求1所述的一种基于因果解耦生成模型的域泛化图像识别方法，其特征在于：预测类别的梯度损失表示为：预测域的梯度损失表示为：