航片AI解译中的自适应迁移学习方法

专利主权项内容

1.航片AI解译中的自适应迁移学习方法，其特征在于，所述方法包括：步骤1：获取源领域数据集和目标领域数据集；导入基础模型，定义度量源领域数据集和目标领域数据集之间的数据分布差异的差异度量函数；步骤2：基于源领域数据集训练基础模型，通过最小化源领域上的损失函数来优化参数；步骤3：从基础模型中提取特征，将源领域数据集和目标领域数据集映射到一个共享的特征空间，得到源领域特征和目标领域特征；步骤4：基于源领域特征和目标领域特征，使用差分进化算法来学习源领域数据集和目标领域数据集之间的自适应权重；步骤5：构建自适应迁移学习的目标函数；通过最小化自适应迁移学习的目标函数来优化参数和自适应权重；步骤6：在目标领域上进行对训练后的基础模型进行基于判别器网络的模型校正，将模型校正后的参数作为最终参数；设源领域数据集为，其中/>是源领域中的输入数据，/>是相应的标签；目标领域数据集/>，其中/>是目标领域中的输入数据，/>是相应的标签；设基础模型为/>，其中/>是模型参数；定义源领域数据集和目标领域数据集之间的差异度度量函数为/>；/>和/>分别表示从源领域数据集和目标领域数据集中提取的特征向量集合；基础模型的表达式为：
；其中，是输入数据，/>和/>是权重矩阵，/>和/>是偏置向量，/>表示激活函数；/>为参数；差异度度量函数使用如下公式进行表示：
；其中，为源领域数据集中样本的数量；/>为目标领域数据集中样本的数量；步骤3中从基础模型中提取特征，将源领域数据集和目标领域数据集映射到一个共享的特征空间的方法包括：将源领域数据集或目标领域数据集中的输入数据转换为灰度图像，并将其展平为向量；计算源领域数据集或目标领域数据集中的输入数据的均值图像；将每个源领域数据集或目标领域数据集中的输入数据减去均值图像以去除亮度差异；计算协方差矩阵；对协方差矩阵进行特征值分解，获得主成分和对应的特征向量；选择向量值最大的特征向量，投影到主成分的空间中；设特征提取函数为；则源领域特征为；目标领域特征为/>；步骤4中，使用如下公式，基于源领域特征和目标领域特征，使用差分进化算法来学习源领域数据集和目标领域数据集之间的自适应权重：
；其中，为自适应权重；/>为学习后的自适应权重；/>表示核函数；步骤5中构建的自适应迁移学习的目标函数使用如下公式进行表示：
；其中，为判别器网络，用于度量特征映射的领域差异，判别器网络的目标是最大化其对领域的区分能力，以使特征映射不同；/>为特征映射相似性损失项的权重参数；是领域对抗性损失；/>是领域对抗性损失的权重参数；；其中，其中/>表示标签的类别数，/>表示模型对第/>个类别的预测概率。 更多数据：搜索马克数据网来源：