[发明专利]一种基于视觉域局部自适应的计算机视觉深度学习方法

权利要求书

1.一种基于视觉域局部自适应的计算机视觉深度学习方法，其特征在于，主要包括视觉域定位(一)；目标和域信息融合(二)；局部自适应架构的实现(三)；局部自适应实验评估(四)。

2.基于权利要求书1所述的视觉域局部自适应，其特征在于，主要是通过建立一个基于目标域的模型，对源域中的已标记数据进行训练，在训练过程中令目标域中的未标记样本作为辅助信息，以达到在源域和目标域分布概率不同的情况下进行学习的目的。

3.基于权利要求书1所述的视觉域定位(一)，其特征在于，将源图像和目标图像输入到一个神经卷积网络中，这个网络在图像网上进行了预训练，并且在一个单独的S形单元上进行微调以进行二元分类；采用y^c＝f(x)表示最后一个卷积层的Softmax函数的得分；最后一个卷积层会生成n＝1,…,N个特征映射(其中i,j在宽度u和高度v之内)，这些特征映射包含空间信息，能够通过计算一系列导数估计它们对最终得分的贡献，对这些函数进行如下计算可得到：

权重值可用来定义一个修正权重线性特征映射集合：

这个集合可视作一个粗略的热图；为了使热图可视化，可通过双线性内插算法对热图进行升级，并且可用热图来鉴别视觉域(c＝1时为特殊域，c＝2时为普通域)；所得到的热图即为域映射。

4.基于权利要求书1所述的目标和域信息融合(二)，其特征在于，首先网络在预训练过程中会生成一个深度卷积网络特征映射C和同等尺寸的滤波器W(在最后一个卷积层)；然后，用单元相乘将目标与域信息融合，以获取不同域的共有区域的卷积映射。

5.基于权利要求书4所述的滤波器，其特征在于，可用以下公式表示：

其中，n＝1,…,N；此公式包含了该滤波器对于特定分类过程所做贡献的信息；其中，ReLU函数(线性整流函数)经过了严格筛选，可将图像滤波器的灰度区像素减少到零。

6.基于权利要求书1所述的局部自适应架构的实现(三)，其特征在于，主要采用Torch7(一个深度学习架构)进行；在域定位实现后，执行一个最大池化层，这个池化层是Torch7的一个扩展；紧接着对两个连接层进行规范化调整；最后在Softmax层中根据源数据对目标进行分类。

7.基于权利要求书6所述的Torch7，其特征在于，是一个多功能的数字计算框架和机器学习库，其目标是提供一个灵活的环境来设计和训练机器学习；由于使用了简单快捷的脚本语言，运行起来非常简单且高效；在局部自适应架构中，Torch7可以实现单元相乘和串联过程，并且可用来生成滤波器集成层。

8.基于权利要求书1所述的局部自适应实验评估(四)，其特征在于，主要包括实验方法和实验分析。

9.基于权利要求书8所述的实验方法，其特征在于，采用转换数据集进行实验，转换数据集包括了150个目标，这些目标被平均分配到15个类别之中；每个目标都会发生变化，这是由于每个目标的获取都经历了一个独立的视觉转换过程；实验主要进行了两个方面的测试：转换和尺寸缩扩；对于转换测试，以照相机为圆心从左到右对目标进行旋转拍摄，总共拍摄150张照片，取前50张作为源图像，取后50张作为目标图像，然后基于转换数据集进行域适应；对于尺寸缩扩测试，将目标置于远离照相机的位置，然后逐步向照相机靠近进行拍摄，总共拍摄150张照片，取前50张作为源图像，取后50张作为目标图像，然后基于转换数据集进行域适应。

10.基于权利要求书8所述的实验分析，其特征在于，主要通过分析在转换和尺寸缩扩的自适应过程中域差的降低程度，来评估局部适应架构的性能。