[发明专利]一种基于素描标注信息的生成对抗迁移学习方法

权利要求书

1.一种基于素描标注信息的生成对抗迁移学习方法，其特征在于，包括如下步骤：

S1、获取源域图像及其对应的边缘标注图s为源域，K_s为源域图像的数量，其中N为图像大小，R表示实数域，构造形式为“源域图像-源域图像边缘标注图”的成对数据集

S2、构造基于素描标注信息的边缘分割深度网络T，将步骤S1中的成对数据集分批次输入边缘分割深度网络T中进行训练，每批次的大小为K；

S3、基于矩阵F范数，从目标域图像中选取和源域图像相似的图像，t为目标域，K_t为目标域图像数量，得到新的K_t'个目标域图像及对应的伪标签

S4、构造基于素描标注信息的生成对抗迁移学习网络，其中，对抗迁移学习网络包括深度生成器网络G、深度判别器网络D、基于素描标注信息的边缘分割深度网络T和深度分类器网络C，将源域图像及对应的标签和步骤S3中得到的目标域图像及对应的伪标签分批次输入对抗迁移学习网络中进行训练，每批次的大小为K；

S5、将所有K_t个目标域图像输入步骤S4中网络的深度分类器网络C得到目标域图像的分类结果。

2.根据权利要求1所述的基于素描标注信息的生成对抗迁移学习方法，其特征在于，步骤S1中，利用Primal Sketch算法得到源域图像对应的初始素描图，初始素描图的大小和源域图像大小相同，构造与第k张源域图像初始素描图大小一致的矩阵矩阵中对应于素描线段上素描点位置处的元素置为1，矩阵中其它位置处的元素置为0，将矩阵作为边缘标注图，从而获得形式为“源域图像-源域图像边缘标注图”的成对数据集其中，

3.根据权利要求1所述的基于素描标注信息的生成对抗迁移学习方法，其特征在于，步骤S2具体为：

首先，构造基于素描标注信息的边缘分割深度网络T，边缘分割深度网络T包括依次相连接的输入层、第一卷积层、第二卷积层、第三卷积层，第四卷积层、第一反卷积层、第二反卷积层、第五卷积层、第六卷积层和输出层；其中，边缘分割深度网络T的输入为每次从步骤S1中构造的形式为“源域图像-源域图像边缘标注图”的成对数据集中随机抽取的K对数据，K为每批次的大小，输出为得到的边缘分割图其中，

其次，对基于素描标注信息的边缘分割深度网络T进行训练，训练具体为：

构造边缘分割损失函数L_T，其优化目标为：

其中，θ_T表示该基于素描标注信息的边缘分割深度网络T的参数，为第k张源域图像经过基于素描标注信息的边缘分割深度网络T的输出，表示该输出图像第(i,j)位置实际是边缘像素点的概率，表示和第k张源域图像边缘标注图对应的(i,j)位置希望是边缘像素点的概率，ω为权重参数，K为每批次的大小，N为图像大小；

最后，通过边缘分割损失函数L_T和步骤S1中的成对数据集结合批随机梯度下降方法，对基于素描标注信息的边缘分割深度网络T进行训练，当该网络T训练完成后，保持其参数不变。

4.根据权利要求1所述的基于素描标注信息的生成对抗迁移学习方法，其特征在于，步骤S3具体为：

S301、从目标域图像中无放回地选取1张图像

S302、从源域图像中无放回地选取1张图像及其标签计算图像和图像的F范数

S303、重复步骤S302K_s次，对所有的l_j排序，取最小的l_j及其对应的源域图像的标签将作为目标域图像的伪标签

S304、重复S301至S303K_t次，得到目标域图像及其对应的伪标签

S305、筛选S304的结果，每一类标签仅保留Q个目标域图像，得到新的共K_t'个目标域图像及对应的伪标签