[发明专利]一种基于全局特征和内在特征关联的迁移学习方法

权利要求书

1.一种基于全局特征和内在特征关联的迁移学习方法，其特征在于：

包括如下步骤：

步骤A：准备样本，将当前场景的带有标签的图片数据划分为源域，将新场景的无标签的图片数据划分为目标域；

步骤B：提取深度特征，通过深度神经网络提取样本的深度特征；

步骤C：样本选择，从目标域中随机选择预设数量的样本，为所选择的样本贴设标签；

步骤D：训练基模型，基于步骤A中的源域、步骤C中被选择的带有标签的样本和步骤C中未被选择的未带标签的样本，来为目标域训练基模型；

步骤E：提取组件，对源域和步骤C中未被选择的未带标签的样本分别进行无监督聚类，所得到的每个聚类即为组件；

步骤F：组件匹配，将目标域中的组件匹配对应的源域组件，目标域中每个组件均与对应的源域组件形成一个配对；

步骤G：微调基模型，基于每个配对对基模型进行微调。

2.根据权利要求1所述一种基于全局特征和内在特征关联的迁移学习方法，其特征在于：

在所述步骤C中，包括将所述源域标记为D_S，将所述目标域标记为D_T；

将所述目标域D_T划分为D_T＝{D_TL∪D_TU}，其中，D_TL表示随机选择的样本，随机选择的样本的标签为已知，D_TU表示未被选择的样本，未被选择的样本的标签为未知；

所述D_TL的样本数量远小于D_TU的样本数量。

3.根据权利要求2所述一种基于全局特征和内在特征关联的迁移学习方法，其特征在于：

在所述步骤D中，包括基于带有标签的源域D_S、随机选择的样本D_TL和未被选择的样本D_TU来为目标域D_T训练基模型；

训练基模型包括对抗生成和对抗训练两个交叠的步骤，其中基于对抗生成步骤，每个原始样本生成一个衔接样本，所述衔接样本用于填充源域D_S和目标域D_T的特征分布差异；基于对抗训练步骤训练分类器C和判别器D。

4.根据权利要求3所述一种基于全局特征和内在特征关联的迁移学习方法，其特征在于：

根据公式一和公式二执行对抗生成步骤；

其中：

表示源域的衔接样本；

表示目标域的衔接样本；

w表示自适应样本的迭代次数，当w＝0时，表示源域对应的原始样本，表示目标域对应的原始样本；

α和β分别表示公式一和公式二的平衡参数；

θ_C表示分类器C的模型参数；

θ_D表示判别器的模型参数；

表示分类器C的损失函数；

表示判别器D的损失函数。

5.根据权利要求4所述一种基于全局特征和内在特征关联的迁移学习方法，其特征在于：

在对抗生成步骤中，包括利用欧氏距离(Euclidean distance)进行约束以使衔接样本的特征分布处于源域和目标域之间；

其中，在公式一中，表示源域的原始样本和衔接样本之间的基于欧氏距离的约束；

在公式二中，表示目标域的原始样本和衔接样本之间的基于欧氏距离的约束。