[发明专利]一种基于对抗域自适应网络的图像分类方法

说明书

本发明公开了一种基于对抗域自适应网络的图像分类方法，重新定义了对抗损失函数L_adv克服源域和目标域泛化问题，但重新定义抗损失函数是有代价的，仅通过优化新的ADAN目标函数即抗损失函数不能保证源域和目标域分布是接近的，因此，本发明采用最小化额外的发散度即度量损失函数L_metric来对齐源域和目标域。这样采用对抗性学习和度量学习，一方面，挑战了以往ADAN中的泛化问题，另一方面，保证了在训练过程中使域发散最小化。实验表明，本发明可以很好地适用于无监督的领域自适应任务，提高目标域图像的分类性能(准确率)。

技术领域

本发明属于图像分类技术领域，更为具体地讲，涉及一种基于对抗域自适应网络的图像分类方法。

背景技术

大多数机器学习模型背后的一个共同假设是：源域和目标域具有相同的数据分布。然而，在现实应用中并不能保证这一共同假设，这可能会导致对目标域数据分类的性能急剧下降。因此，域自适应被提出，通过降低域差异来解决这一问题。最新的域自适应方法是基于对抗性学习的，这些方法通常被称为对抗域自适应网络(Adversarial DomainAdaptation Networks，简称ADAN)。

图1是现有基于对抗域自适应网络的图像分类方法的原理示意图。

ADAN类似于生成对抗网络(GANS)，它以对抗方式训练一个特征表示网络F(类似于生成对抗网络中的生成器)和一个域判别器D。具体来讲，在基于对抗域自适应网络的图像分类方法中，源域以及目标域的图像分别输入到特征表示网络F进行特征提取，得到图像特征，然后分别送入到域判别器D，一旦域判别器D不能区分图像特征是来自源域还是来自目标域，则认为学习到的图像特征是域不变的。这样通过源域图像对特征表示网络F、分类器C进行训练，训练好的特征表示网络F、分类器C可以适用于目标域图像的分类。

在域自适应中，源域和目标域具有不同的数据分布，域自适应的目标是学习到一种新的特征表示，使源域和目标域可以很好地对齐。ADAN利用了对抗性学习的思想，它假设只要域判别器被混淆，这两个域就是对齐的。然而，最近的进展表明，这样的假设可能并不可靠。然而，ADAN继承了GANS的缺点，即使训练成功，学习到的分布也可能与预期的分布相去甚远，这在GANS中被称为泛化问题。因此，即使域判别器被成功混淆，也不能保证学习的表示是域不变的，也就是说，训练好的特征表示网络F、分类器C不能很好地对目标域图像进行良好的分类，分类性能有待提高。

发明内容

本发明的目的在于克服现有技术的不足，提供一种基于对抗域自适应网络的图像分类方法，克服源域和目标域泛化，将源域和目标域对齐，提高目标域图像的分类性能(准确率)。

为实现上述发明目的，本发明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