[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

说明书

本发明中提出的一种基于视觉域局部自适应的计算机视觉深度学习方法，其主要内容包括：视觉域定位、目标和域信息融合、局部自适应架构的实现和局部自适应实验评估，其过程为，首先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；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；接下来，执行一个最大池化层，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。本方法采用了局部自适应架构，具有强大的空间存储，能够使计算机视觉实验结果更加显著，并且能够处理源图像中的局部微小的特征信息。

技术领域

本发明涉及深度学习领域，尤其是涉及了一种基于视觉域局部自适应的计算机视觉深度学习方法。

背景技术

计算机视觉是一门研究如何使机器“看”的科学，更进一步的说，就是指用摄影机和电脑代替人眼对目标进行识别、跟踪和测量等机器视觉，并进一步做图形处理，并且使电脑处理结果成为更适合人眼观察或传送给仪器检测的图像。在医学领域，可应用计算机视觉技术从显微镜图像、X射线图像、血管造影图像等应用图像中提取用于对患者进行医疗诊断的特征信息，从而能够准确及时地对患者采取相应的救治措施；在工业领域，可应用计算机视觉技术对制造工序进行管理，从而实现对产品的质量控制；在军事领域，应用计算机视觉技术可探测敌方目标的具体位置，以进行精确打击；另外，计算机视觉技术在导航、监控和视觉特效制作等领域都有着广泛的应用。然而，现有的计算机视觉深度学习方法存在处理图像得到的结果不显著，并且不能处理源图像中的局部微小的特征信息等问题。

本发明中提出的一种基于视觉域局部自适应的计算机视觉深度学习方法，先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；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；接下来，执行一个最大池化层，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。本方法采用了局部自适应架构，具有强大的空间存储，能够使计算机视觉实验结果更加显著，并且能够处理源图像中的局部微小的特征信息。

发明内容

针对现有的计算机视觉深度学习方法存在处理图像得到的结果不显著，并且不能处理源图像中的局部微小的特征信息等问题，本发明的目的在于提供一种基于视觉域局部自适应的计算机视觉深度学习方法，先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；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；接下来，执行一个最大池化层，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。

为解决上述问题，本发明提供一种基于视觉域局部自适应的计算机视觉深度学习方法，其主要内容包括：

(一)视觉域定位；

(二)目标和域信息融合；

(三)局部自适应架构的实现；

(四)局部自适应实验评估。

其中，所述的视觉域局部自适应，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。

其中，所述的视觉域定位，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：