[发明专利]一种基于元学习的中医舌色域自适应分类方法

权利要求书

1.一种基于元学习的中医舌色域自适应分类方法，其特征在于：首先，使用ResNet18作为分类骨干网络，利用源域的有标注数据构建元训练和元测试任务，对ResNet18进行预训练；然后，使用目标域少量标注样本对源域预训练的模型进行微调，使其快速适应目标域样本数据的特点；利用微调后的模型对目标域的未标注数据进行分类，将分类预测结果作为伪标签；接下来，从中挑选出高质量的伪标签，作为标注数据，对目标域的分类模型进行微调，得到目标域的舌色分类模型；对于剩余的未标注数据，重复上述过程，最终得到一个高精度的目标域舌色分类模型。

2.根据权利要求1所述的一种基于元学习的中医舌色域自适应分类方法，其特征在于：包括构建源域和目标域舌色分类数据集、基于元学习的源域舌色分类网络训练、目标域网络模型微调与高质量伪标签生成、目标域舌色分类模型训练4个步骤；

步骤1：构建源域和目标域舌色分类数据集；

使用2台SIPL型中医舌象仪采集舌图像，利用2台舌象仪采集的设图像构建了SIPL-A和SIPL-B数据集，分别作为源域数据集和目标域数据集；

步骤2：基于元学习的源域舌色分类网络训练；

使用ResNet18作为元学习的骨干网络，利用源域的有标注数据构建元训练和元测试任务，对ResNet18进行训练，学习到源域舌色分类的元知识；

步骤3：目标域网络模型微调与高质量伪标签生成；

使用目标域少量标注样本对源域预训练的模型进行微调，使其快速适应目标域样本数据的特点；利用该模型对目标域的未标注数据进行分类，将分类预测结果作为伪标签；从中挑选出高质量的伪标签，形成标注数据样本；

步骤4：目标域舌色分类模型训练；

使用目标域少量标注样本和步骤3得到的高质量的伪标签对目标域的分类模型进行微调，得到目标域的舌色分类模型；

对于剩余的未标注数据，重复步骤3、步骤4，最终得到一个高精度的目标域舌色分类模型。

3.根据权利要求2所述的一种基于元学习的中医舌色域自适应分类方法，其特征在于：元学习中的数据集分为元训练集和元测试集，二者又将数据集进一步划分为支持集和查询集；

在元训练阶段，训练集表示为D＝{(x₁,y₁),…,(x_N,y_N)}，其中N是训练集D的类别数，x是训练样本，y是对应的标签；将训练集D划分成多个K-way C-shot的元任务，K-way C-shot代表从训练集D中随机选取K个类别、且每个类中再任选C个样本，从而形成支持集和查询集；

在元测试阶段，支持集的形成与训练阶段的支持集类似，查询集则由剩余的样本组成，利用训练好的模型对查询集的样本进行预测；

对于元学习来说，网络模型经过训练，将学习一个嵌入函数，将同一类的所有输入样本映射到特征空间中的平均向量，作为每个类的描述符；对于类别k，通过训练样本的嵌入特征的质心来表示，具体公式如下：

其中S为支持集，f(x_i)表示由ResNet18提取到的特征向量，S_k是类别k的样本数量；基于度量学习方法，采用欧式距离作为距离函数，在查询集Q的所有类上给定一个查询样本q生成分布：

p(y＝k|q)本质上是对查询集样本嵌入函数f(q)与对应类质心c_k之间的欧氏距离d(f(q),c_k)进行Softmax处理，损失函数采用交叉熵函数,具体公式如下：

L＝-logp(y＝k|q) (3)

因此，元学习阶段的损失函数表示为：

其中c_k为第k类质心，c_k'为除了第k类其它类质心，d(f(q),c_k)表示查询集样本嵌入函数f(q)与对应类质心c_k之间的欧氏距离；即利用支持集计算出各个类别的质心c_k,从查询集给定一个查询样本q，计算每个样本到各个类质心之间距离，进而计算每个类的概率，距离越小属于该类的概率越大。

4.根据权利要求1所述的一种基于元学习的中医舌色域自适应分类方法，其特征在于：步骤3中，利用目标域的有标注样本，以元学习的方式对步骤2得到的预训练模型进行微调，微调的元学习过程同步骤2，区别在于使用目标域的有标注样本进行训练和测试；利用微调好的模型对目标域大量的未标注样本进行预测，将预测结果作为伪标签；设定伪标签的阈值δ，当伪标签p(y＝k|q)满足：p(y＝k|q)δ时，则认为该标签为高质量的；将该伪标签作为样本的标签，作为标注数据用于网络训练。