[发明专利]基于对抗融合多源迁移学习的图像分类方法

权利要求书

1.一种基于对抗融合多源迁移学习的图像分类方法，其特征在于，包括如下：

(1)建立由域共享子网络F与域特定子网络F^j构成的特征提取网络；

(2)使用特征提取网络从原始图像文件中提取图像特征：

2a)对于来自源域j的第i个训练样本经过域共享子网络F，得到初步特征其中θ_F表示F的网络参数，j＝1...N，N表示源域个数，表示源域j中样本的数目；

对于来自目标域的第t个样本经过域共享子网络F，得到初步特征其中t＝1...n_T，n_T表示目标域中样本的数目；

2b)将2a)中得到的初步特征输入到第j个源域特有的域特定子网络F^j中，得到原始图像的最终特征F^j(F(x_q；θ_F)；θ_Fj)，其中θ_Fj表示F^j的网络参数，x_q表示输入域特定子网络的第q个样本，

(3)将(2)中得到的最终特征输入到域判别器D^j中，得到输出D^j(F^j(F(x_i；θ_F)；θ_Fj)；θ_Dj)，利用该输出计算得到D^j的域判别损失其中θ_Dj表示D^j的网络参数；

(4)将(2)中得到的最终特征输入到分类器C^j中，得到不同的输出：

对于来自源域j的图像，只有源域分类器C^j被激活，输出利用其输出计算得到C^j的分类损失其中θ_Cj表示C^j的网络参数；

对于来自目标域的图像，所有的分类器都被激活，输出N个P维预测向量，取每个P维向量中最大元素对应的类别标记，即可得到N个伪标记，其中，P表示目标域数据的类别总数；

(5)利用目标域样本的伪标记与源域j中的样本标记，计算源域j与目标域中同类别数据的最大均值差异MMD距离，并对所有类别的MMD距离求和得到

(6)根据域判别损失分类损失及所有类别的MMD距离之和对特征提取网络、域判别器及分类器进行训练，得到训练后的特征提取网络、域判别器及分类器；

(7)将待测样本输入到训练后的特征提取网络、域判别器及分类器中，通过特征提取网络从待测样本中提取图像特征，并将该特征作为域判别器及分类器的输入进行域判别及分类，最终得到该待测样本的N个P维预测向量；

(8)计算每个P维预测向量的熵，并利用该熵值计算得到目标域样本的最终类别标记。

2.根据权利要求1所述的方法，其特征在于：(1)中的域共享子网络F是由卷积层后接4个残差块构成的残差神经网络。

3.根据权利要求1所述的方法，其特征在于：(1)中的域特定子网络共有N个，每个子网络是由卷积层、批标准化层及relu激活函数构成的多层神经网络。

4.根据权利要求1所述的方法，其特征在于：(3)中域判别器共有N个，每个域判别器均由全连接层构成。

5.根据权利要求1所述的方法，其特征在于：(3)中的域判别损失函数表示如下：

其中，代表第j个源域的样本数量，n_T代表目标域的样本数量，d_q表示样本x_q的域标签；是一个指示函数，当d_q＝l时，该指示函数取值为1，否则，为0。

6.根据权利要求1所述的方法，其特征在于：(4)中分类器共有N个，每个分类器均由全连接层后接softmax函数构成，其输出为P维预测向量。