[发明专利]一种基于低秩约束局部回归的域泛化图像分类方法

说明书

本发明涉及一种基于低秩约束局部回归的域泛化图像分类方法，包括：步骤(1)：获取源域，并将所述源域分解为若干子域；步骤(2)：根据每个子域训练得到一个分类器；步骤(3)：根据每个子域训练得到的分类器构建低秩约束局部回归框架；步骤(4)：基于所述低秩约束局部回归框架对图像进行分类。本发明能够有效对图像进行分类，并且能够应用于域自适应中。

技术领域

本发明涉及计算机视觉技术领域，特别是涉及一种基于低秩约束局部回归的域泛化图像分类方法。

背景技术

人类善于利用过去的经验在新环境中快速解决问题。同样，我们希望机器也能在不同的条件(领域)下建立鲁棒的模型，以解决许多新任务。例如，我们希望计算机视觉系统能够在摄像机环境发生变化时立即识别物体，而无需再训练。解决这一问题的方法可分为域自适应(DA)和域泛化(DG)。域自适应(DA)方法通过减少不同但相关域中的分布差距并使用源域和目标域样本来训练特定目标域的模型，已成功应用于广泛的视觉应用。作为一个相关的研究问题，域泛化(DG)旨在新的目标域中建立一个在运行良好的模型。它与DA的不同之处在于，即使未标记的目标样本不可用且模型在训练后未更新，它也会训练模型。在不考虑特定目标域的泛化能力的情况下，DG技术能够更好地对来自任何相对于DA的不可见目标域的测试数据实现开箱即用的效果。原因是DA依赖于目标域(未标记)样本的可用性，导致域自适应算法通常不直接适用于域泛化，尽管域DA和DG是密切相关的问题。

在视觉识别任务中，DA方法通常将整个数据集视为一个域。然而，这种处理忽略了现实世界中视觉数据的多样化。在不同的视角和光照条件下，同一场景拍摄的视频或图片是不同的。这是由于视觉域分布的复杂性造成的，因此有必要减少不同域之间的分布不匹配。J.Hoffman等人和B.Gong等人证明，将源域划分为多个潜在域可以提供域自适应性能。然而，如何有效地将训练样本划分为多个簇，以发现特征潜在域是一项具有挑战性的任务。

发明内容

本发明所要解决的技术问题是提供一种基于低秩约束局部回归的域泛化图像分类方法，能够有效对图像进行分类，并且能够应用于域自适应中。

本发明解决其技术问题所采用的技术方案是：提供一种基于低秩约束局部回归的域泛化图像分类方法，包括：

步骤(1)：获取源域，并将所述源域分解为若干子域；

步骤(2)：根据每个子域训练得到一个分类器；

步骤(3)：根据每个子域训练得到的分类器构建低秩约束局部回归框架；

步骤(4)：基于所述低秩约束局部回归框架对图像进行分类。

所述步骤(1)中通过KNN算法将所述源域分解为若干子域。

所述步骤(3)具体为：

步骤(31)：获取每个子域训练得到的分类器的权重向量；

步骤(32)：将每个分类器的权重向量进行组合，得到低秩矩阵；

步骤(33)：将所述低秩矩阵转换为低秩约束目标函数；

步骤(34)：基于所述低秩约束目标函数对每个分类器进行训练，得到适用于域泛化的低秩约束局部回归框架。

所述步骤(33)具体为：利用迹范数正则化将所述低秩矩阵转换为低秩约束目标函数以防止过拟合。

所述步骤(33)还包括：将所述低秩约束目标函数中的标签向量替换为伪标签向量以去除噪声。

所述步骤(33)还包括：将所述低秩约束目标函数中的预测结果调整为与实际标签一致。

所述低秩约束局部回归框架还应用于域适应。

有益效果