[发明专利]一种基于领域对关联的迁移学习方法及装置

权利要求书

1.一种基于领域对关联的迁移学习方法，其特征在于，所述方法包括：

当接收到目标域样本图像及所述目标域样本图像对应的类别标签时，获取源域样本图像；

构建所述目标域样本图像与所述源域样本图像之间的特征关系图，并根据所述特征关系图得到特征相似图像对；

将所述特征相似图像对输入预先训练的连续领域自适应模型中，将所述目标域样本图像对应的类别标签作为监督信息，并以基于特征互相关矩阵的预设学习目标为优化目标，对所述连续领域自适应模型进行迁移学习；

当接收到目标域目标图像时，将所述目标域目标图像输入已完成迁移学习的所述连续领域自适应模型中，得到预测结果。

2.根据权利要求1所述的基于领域对关联的迁移学习方法，其特征在于，所述连续领域自适应模型的训练步骤包括：

获取源域样本图像以及所述源域样本图像对应的训练类别标签，根据所述源域样本图像和对应的训练类别标签建立关系候选库；

基于所述关系候选库中不同语义表示的源域样本图像构建发散对比图像对；

基于互相关矩阵设定目标函数和巩固函数；

将所述发散对比图像对输入初始连续领域自适应模型中，将所述训练类别标签作为监督信息，并以所述目标函数和巩固函数为优化目标，对所述初始连续领域自适应模型进行训练；

训练完成后，得到已训练的连续领域自适应模型。

3.根据权利要求2所述的基于领域对关联的迁移学习方法，其特征在于，获取源域样本图像以及所述源域样本图像对应的训练类别标签，根据所述源域样本图像和对应的训练类别标签建立关系候选库之前，还包括：

获取原始样本图像及所述原始样本图像对应的原始类别标签；

将所述原始样本图像输入初始连续领域自适应模型中，根据对应的原始类别标签计算置信度；

若所述原始样本图像的置信度大于预设置信度阈值，则将所述原始样本图像作为源域样本图像，将所述原始样本图像的原始类别标签作为训练类别标签。

4.根据权利要求2所述的基于领域对关联的迁移学习方法，其特征在于，所述目标函数为：

其中，所述C_ii表示发散对比图像对基于两个参数共享网络输出的特征计算的互相关矩阵，所述表示发散对比图像对，所述表示图像的训练类别标签，所述表示图像的训练类别标签。

5.根据权利要求2所述的基于领域对关联的迁移学习方法，其特征在于，所述巩固函数的计算公式为：

其中，所述x表示输入图像，所述表示当前批次两个样本图像的特征向量积之和，所述表示图像对中某一个图像的特征向量某一维度长度之和，所述表示另一个样本图像的特征向量某一维度长度之和，所述表示独立于分类任务的全连接投影模块，所述表示网络的特征编码器，所述b表示小批量样本图像的序号，i和j表示网络输出的特征维度索引，所述C是一个方阵，大小为均为网络输出特征数。

6.根据权利要求1所述的基于领域对关联的迁移学习方法，其特征在于，构建所述目标域样本图像与所述源域样本图像之间的特征关系图，包括：

预先构建层次化可导航小世界；

利用所述层次化可导航小世界构建所述目标域样本图像与所述源域样本图像之间的特征关系图。

7.根据权利要求6所述的基于领域对关联的迁移学习方法，其特征在于，所述预先构建层次化可导航小世界，包括：

提供层次化可导航小世界，向所述层次化可导航小世界中导入所述源域样本图像的特征向量；

在所述层次化可导航小世界中建立一个层次化的检索结构，所述检索结构具有层次化的源元素嵌套子集的接近图，且以指数衰减的概率分布随机选择一个元素所在的最小层；

完成所述层次化可导航小世界的构建。