基于类引导元学习的无源域适应的图像分类方法

专利主权项内容

1.一种基于类引导元学习的无源域适应的图像分类方法，其特征在于，包括以下步骤：S1：根据实际需要选取已训练的源域特征提取器和源域特征分类器，采用其参数初始化目标域特征提取器和目标域特征分类器，然后将目标域特征提取器和目标域特征分类器复制一份，一组作为教师网络，一组作为学生网络，从而构成自训练师生网络；S3：构建类别感知的元学习模块，包括损失计算模块、损失多层感知机、类伪准确率计算模块、类伪准确率多层感知机和置信度计算模块，其中：损失计算模块用于根据学生网络对图像样本得到的预测标签计算预测标签损失L(w)并发送至损失多层感知机，其中w表示学生网络参数；损失多层感知机用于根据图像样本x的预测标签损失L(w)生成对应的样本权重θ表示损失多层感知机的网络参数，S表示预设的权重维度，并将样本权重P(L(w), θ)发送至置信度权重计算模块；类伪准确率计算模块用于根据教师网络对所有图像样本的预测标签计算每个图像样本在K个类别的类伪准确率p并发送至类伪准确率多层感知机，k＝1, 2, …, K，K表示目标类别数量，类伪准确率p的计算公式如下：kk其中，表示教师网络对图像样本x的预测标签，/>表示二值函数，当/>时否则/>表示教师网络中目标域特征提取器/>对图像x所提取得到的特征向量，/>表示目标域特征分类器/>对特征向量/>推断得到的可能性，/>表示采用softmax函数根据可能性/>所得到的概率；ii类伪准确率多层感知机用于根据每个图像样本对应的K个类伪准确率p生成该图像样本的类别权重表示类伪准确率多层感知机的网络参数，并将类别权重发送至置信度权重计算模块；k置信度权重计算模块用于根据样本权重P(L(w), θ)和类别权重计算得到置信度权重/>其中，表示两个向量之间的点积；S3：将教师网络、学生网络和元学习模块构成元学习模型，其中教师网络和学生网络分别对输入图像进行预测得到预测标签，元学习模块根据教师网络和学生网络的预测标签计算得到置信度权重；S4：令迭代次数t＝1；S5：将图像集合X中每幅图像x输入至教师网络中，得到图像x属于类别k的概率γ，从而确定图像x的分类结果并将其作为该图像的初始伪标签y′，从而得到图像集合X对应的伪标签集合Y′，i＝1, 2, …, N，N表示图像数量，y′∈[1, K]；Tiii, kiiTTiS6：采用伪标签校正方法对伪标签集合Y′进行处理，得到每幅图像x校正后的伪标签y，从而得到校正后的伪标签集合Y；TiiTS7：对于元学习模型，将自训练师生网络的模型训练损失函数作为元学习的下层任务，将元学习模块的置信度权重函数作为元学习的上层任务，采用图像集合X对元学习模型进行训练，上层任务和下层任务交替进行迭代更新，完成元学习模型的训练；TS8：判断是否t＜t，t表示预测的最大迭代次数，如果是，进入步骤S9，否则进入步骤S10；maxmaxS9：令t＝t+1，采用当前学生网络的参数对教师网络的参数进行更新，返回步骤S5；S10：从最终的元学习模型中提取学生网络作为目标域模型，并利用该目标域模型对目标域数据图像进行分类。