[发明专利]分类识别方法、装置及设备

权利要求书

1.一种分类识别方法，其特征在于，所述方法包括：

通过第一神经网络提取源域数据和目标域数据的跨域不变特征，所述跨域不变特征是指用于辨识数据对应的分类的特征；

通过第二神经网络提取所述源域数据和所述目标域数据的域辨识特征，所述域辨识特征是指用于辨识数据对应的来源的特征；其中，当所述源域数据中包括N个有标签样本，所述目标域数据中包括M个无标签样本时，所述跨域不变特征的数量为N，所述域辨识特征的数量为N+M，其中，N、M均为正整数；

根据所述N个跨域不变特征和所述N+M个域辨识特征，得到N×(N+M)个组合特征，其中，每一个组合特征由所述N个跨域不变特征中的任意一个跨域不变特征和所述N+M个域辨识特征中的任意一个域辨识特征相加得到，且所述N×(N+M)个组合特征互不相同；

通过第三神经网络对所述组合特征执行特征映射处理，得到融合特征；

将所述融合特征输入至第一分类器进行分类识别，得到分类识别结果；

将所述融合特征输入至第二分类器进行来源识别，得到来源识别结果；

根据所述分类识别结果和所述来源识别结果训练所述第一神经网络、所述第二神经网络和所述第三神经网络；

采用训练得到的所述第一神经网络提取所述目标域数据的特征；

将所述目标域数据的特征输入至所述第一神经网络对应的分类器，得到所述目标域数据对应的分类。

2.根据权利要求1所述的方法，其特征在于，所述第三神经网络包括1个输入层和n个全连接层，n为正整数；

所述通过第三神经网络对所述组合特征执行特征映射处理，得到融合特征，包括：

将所述组合特征输入至所述输入层；

通过所述n个全连接层对所述组合特征执行特征映射处理，得到所述融合特征。

3.根据权利要求1至2任一项所述的方法，其特征在于，所述根据所述分类识别结果和所述来源识别结果训练所述第一神经网络、所述第二神经网络和所述第三神经网络，包括：

根据所述分类识别结果和所述来源识别结果计算损失函数的值；

若所述损失函数的值不符合预设条件，则调整所述第一神经网络、所述第二神经网络和所述第三神经网络的权重，并再次从所述通过第一神经网络提取源域数据和目标域数据的跨域不变特征的步骤开始执行；

若所述损失函数的值符合所述预设条件，则停止训练。

4.一种分类识别装置，其特征在于，所述装置包括：

第一提取模块，用于通过第一神经网络提取源域数据和目标域数据的跨域不变特征，所述跨域不变特征是指用于辨识数据对应的分类的特征；

第二提取模块，用于通过第二神经网络提取所述源域数据和所述目标域数据的域辨识特征，所述域辨识特征是指用于辨识数据对应的来源的特征；其中，当所述源域数据中包括N个有标签样本，所述目标域数据中包括M个无标签样本时，所述跨域不变特征的数量为N，所述域辨识特征的数量为N+M，其中，N、M均为正整数；

处理模块，用于根据所述N个跨域不变特征和所述N+M个域辨识特征，得到N×(N+M)个组合特征，通过第三神经网络对所述组合特征执行特征映射处理，得到融合特征；其中，每一个组合特征由所述N个跨域不变特征中的任意一个跨域不变特征和所述N+M个域辨识特征中的任意一个域辨识特征相加得到，且所述N×(N+M)个组合特征互不相同；

第一识别模块，用于将所述融合特征输入至第一分类器进行分类识别，得到分类识别结果；将所述融合特征输入至第二分类器进行来源识别，得到来源识别结果；

训练模块，用于根据所述分类识别结果和所述来源识别结果训练所述第一神经网络、所述第二神经网络和所述第三神经网络；

第二识别模块，用于采用训练得到的所述第一神经网络提取所述目标域数据的特征；将所述目标域数据的特征输入至所述第一神经网络对应的分类器，得到所述目标域数据对应的分类。

5.一种计算机设备，其特征在于，所述设备包括处理器和存储器，所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现如权利要求1至3任一项所述的分类识别方法。

6.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由处理器加载并执行以实现如权利要求1至3任一项所述的分类识别方法。