申请/专利权人：杭州电子科技大学

申请日：2022-05-11

公开（公告）日：2024-04-16

公开（公告）号：CN114863213B

主分类号：G06V10/774

分类号：G06V10/774;G06V10/82;G06V10/764;G06N3/047;G06N3/048;G06N3/09

优先权：

专利状态码：有效-授权

法律状态：2024.04.16#授权;2022.08.23#实质审查的生效;2022.08.05#公开

摘要：本发明公开一种基于因果解耦生成模型的域泛化图像识别方法。域泛化的目的是从多个源域数据中学习域不变表示很好的泛化到不可见的目标域，但是学习域不变特征的最大挑战在于从纠缠的特征空间中分解出语义信息和域信息。考虑到因果特征具有跨域不变的特性，本发明提出了因果解耦表征模型。首先，将跨域稳定的因果结构模型作为先验引入。然后，构建基于因果结构的生成模型，分别为任务相关和域相关特征建模。特别的是，两个隐特征之间的双向因果依赖通过一种干预手段解除，从而有效消除域相关特征对预测任务的影响。结果证明，本发明提出的方法能够有效解耦出任务相关和域相关特征，超过了大多数的解决域泛化的方法。

主权项：1.一种基于因果解耦生成模型的域泛化图像识别方法，其特征在于：包括以下步骤：步骤一、模型训练构建模型的损失函数如下： 其中，为似然函数损失；为域判别损失；为梯度正交损失；λ是一个独立的权重参数；似然函数损失的表达式如下： 其中，是需要寻求最大化的对数似然比的权重，E表示期望的形式；x表示高维图像数据，y表示输出变量，c为语义特征，s是域相关特征；φc是语义特征空间参数，φs是域相关特征空间参数；px，y为有监督目标下的高维图像x和对应标签y的联合概率分布；pc，s为先验模型；M表示为训练域的数目；和分别表示从图像中在语义特征空间φc编码出来的语义特征分布和在域相关特征空间φs编码出来的域相关特征分布，其表达式为： 其中，表示多元高斯分布；两个潜在变量c和s通过重参数方法生成，为预测分布；pθx|c，s是在参数为θ的图像空间，由c和s解码出原始的图像数据x；损失函数的表达式如下： 其中，yi表示第i个类别，共有n种类别，i∈{1，…n}；表示分类器；域判别损失的表达式如下： 其中，dj表示第j个域，共有m个训练域，j∈{1，…M}；表示域判别器；令和定义基于梯度的正交损失如下： 其中，||·||F表示Frobenius范数；步骤二、模型训练及图像识别获取含有目标对象的训练集；利用训练集对模型进行训练，迭代优化损失函数中的参数φc、φs、θ，获得域泛化图像识别模型；之后，将被测图像输入域泛化图像识别模型，对被测图像中的目标进行识别。

全文数据：

权利要求：

百度查询： 杭州电子科技大学 一种基于因果解耦生成模型的域泛化图像识别方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD