[发明专利]通过无监督域适应训练目标域分类模型的方法

权利要求书

1.一种通过无监督域适应训练目标域分类模型的方法，其特征在于，包括：

对于源域和目标域输入的批图像数据，通过标准卷积网络来提取图像特征，然后结合初始化设定的质心特征构建对应于源域和目标域的实例图；将实例图中的节点矩阵依次通过源域分类器与图卷积网络后，更新对应于源域和目标域的类别质心特征；

使用类别质心特征对齐机制，约束图卷积网络每层中来自不同域的类别质心特征，使不同域的类别质心特征随着迭代训练而逐渐靠近；

并且，使用质心指导的对抗性对齐机制，利用所有类别自动生成的质心特征作为域全局统计信息指导每批图像数据参与对抗训练；

通过迭代训练最终得到在目标域有效的分类模型；

其中，通过标准卷积网络来提取图像特征，然后结合初始化设定的质心特征构建对应于源域和目标域的实例图包括：

提取图像特征，并结合初始化设定的质心特征构建对应于源域和目标域的节点矩阵：

上式中，AlexNet(X_batch)表示利用AlexNet标准卷积网络提取批图像数据X_batch的特征；C表示初始化设定的类别质心特征；表示特征串联；*S,T，分别对应于源域和目标域，即对应于源域的节点矩阵，对应于目标域的节点矩阵；

通过源域分类器预测节点矩阵中各特征节点的软标签从而根据特征节点间相似性来构建相应特征节点离连边的权重，相应的邻接矩阵表示为：

上式中，*＝S,T，分别为源域的节点矩阵对应的邻接矩阵、源域特征节点的软标签；分别为目标域的节点矩阵对应的邻接矩阵、目标域特征节点的软标签；

通过以上方式得到的节点矩阵与对应的邻接矩阵，构成了实例图；

类别质心特征对齐机制的损失函数为：

其中，K代表类别数量，φ代表距离度量函数，k为类别序号，C_S和C_T分别代表源域和目标域的类别质心特征；

质心指导的对抗性对齐机制的损失函数为：

其中，分别表示源域和目标域图像，C_S和C_T分别代表源域和目标域的类别质心特征，D代表鉴别器，G代表特征提取器，由标准卷积网络以及图卷积网络共同构成，代表特征串联。

2.根据权利要求1所述的一种通过无监督域适应训练目标域分类模型的方法，其特征在于，所述源域和目标域输入的批图像数据包括：有标签的源域数据与无标签目标域数据。

3.根据权利要求1所述的一种通过无监督域适应训练目标域分类模型的方法，其特征在于，源域和目标域的节点矩阵各自通过一个图卷积网络，相关操作表示为：

上式中，对应的表示图卷积网络第l层、l+1层的输出结果；表示度矩阵，度矩阵第i行第i列元素为邻接矩阵第i行第j列元素，W^(l+1)表示图卷积第l+1层可学习参数，源域和目标域对应的图卷积网络中的参数共享，σ表示激活函数。