[发明专利]一种基于对抗域自适应网络的图像分类方法

权利要求书

1.一种基于对抗域自适应网络的图像分类方法，其特征在于，包括以下步骤：

(1)、构建用于图像分类的对抗域自适应网络

针对源域、目标域中的图像，构建特征表示网络F、域判别器D以及分类器C；

其中，特征表示网络F用于对源域中的图像x_s进行特征提取，得到源域图像特征F(x_s)，对目标域中的图像x_t进行特征提取，得到目标域图像特征F(x_t)，域判别器D用于对源域图像特征F(x_s)以及目标域图像特征F(x_t)进行判别，得到属于源域的概率D(F(x_s))以及D(F(x_t))，分类器C用于对源域图像特征F(x_s)进行分类，得到图像分类概率p_i(softmax(F(x_s)),i＝1,2,…I，对目标域图像特征F(x_t)进行分类，得到图像分类概率p_i(softmax(F(x_t)),i＝1,2,…I；

(2)、训练对抗域自适应网络

2.1)、从源域中提取一批M张图像，表示为x_{s_1},x_{s_2},...,x_{s_M}，从目标域中提取一批N张图像，表示为x_{t_1},x_{t_2},...,x_{t_N}，分别输入到特征表示网络F，得到M个源域图像特征：

F(x_{s_1}),F(x_{s_2}),...,F(x_{s_M})；

以及N个目标域图像特征：

F(x_{t_1}),F(x_{t_2}),...,F(x_{t_N})；

M个源域图像特征F(x_{s_1}),F(x_{s_2}),...,F(x_{s_M})以及N个目标域图像特征F(x_{t_1}),F(x_{t_2}),...,F(x_{t_N})分别输入到域判别器D中，得到属于源域的概率：

D(F(x_{s_1})),D(F(x_{s_2})),...,D(F(x_{s_M}))

D(F(x_{t_1})),D(F(x_{t_2})),...,D(F(x_{t_N}))

M个源域图像特征F(x_{s_1}),F(x_{s_2}),...,F(x_{s_M})分别输入到分类器C，得到图像分类概率：

p_i(softmax(F(x_{s_1}))),p_i(softmax(F(x_{s_2}))),...,p_i(softmax(F(x_{s_M}))),i＝1,2,...,I；

其中，I为图像的类别数量，i为图像的类别号；

2.2)、计算训练的整体目标函数L：

L＝min_Fmax_DL_adv+λmin_FL_metric+βmin_CL_cls

其中：

L_metric＝E{k(F(x_{s_m}),F(x_{s_m'}))}_{m＝1,2,...,M,m'＝1,2,...,M,m≠m′}+E{k(F(x_{t_n}),F(x_{t_n'}))}_{n＝1,2,...,N,n'＝1,2,...,N,n≠n′}-2E{k(F(x_{s_m}),F(x_{t_n}))}_{m＝1,2,...,M,n＝1,2,...,N}

其中，min_Fmax_DL_adv的含义为：通过更新特征表示网络F的网络参数，使得对抗损失函数L_adv最小，更新判别器D的网络参数使得对抗损失函数L_adv最大，形成对抗训练，min_FL_metric的含义为：通过更新特征表示网络F的网络参数，使得度量损失函数L_metric最小，min_CL_cls的含义为：通过更新分类器C的网络参数，使得交叉熵损失函数L_cls最小，λ、β为大于0的平衡参数；

其中，E表示求{}中所有元素值的期望值，k(,)为高斯核函数，为指示函数，当i＝y_{s_m}时为1，其余0，y_{s_m}为源域图像x_{s_m}的真实类别即标签值，p_i(softmax(F(x_{s_m})))表示分类器输出的源域图像特征F(x_{s_m})属于第i类的概率；

(3)、图像分类

将来自源域或目标域的未知类别的图像输入到特征表示网络F进行特征提取，得到图像特征，然后将图像特征送入分类器C中，得到属于各个类别的概率，概率最大值对应的类别为输入图像的类别。

2.根据权利要求1所示的基于对抗域自适应网络的图像分类方法，其特征在于，所述特征表示网络F为残差网络ResNet-50。