申请/专利权人：合肥工业大学

申请日：2021-11-11

公开（公告）日：2024-04-16

公开（公告）号：CN114065852B

主分类号：G06V10/764

分类号：G06V10/764;G06V10/74;G06V10/82;G06N3/0464;G06N3/08

优先权：

专利状态码：有效-授权

法律状态：2024.04.16#授权;2022.03.08#实质审查的生效;2022.02.18#公开

摘要：本发明公开了一种基于动态权重的多源联合自适应和内聚性特征提取方法，是首先对多个源域的样本进行对齐，在对齐的过程中学习一种实时度量差异的动态权重；然后使用细粒度的度量指标使源域和目标域对齐；再利用多个分类器形成对抗，通过对抗的方式让目标域样本进行内聚性特征的学习；最后就可以得到能够提取源域和目标域的公共特征以及目标域中的内聚性特征的特征提取器。本发明能有效地提高源域和目标域对齐之后目标域样本的质量，从而使得提取出的轮廓特征与同类样本具有更多的相似性。

主权项：1.一种基于动态权重的多源联合自适应和内聚性特征提取方法，其特征在于，包括如下步骤：步骤一：对N个不同来源的包含数字的图片进行类别标注，从而得到N个源域组成的源域集合DS＝{D1,D2,...,Dj,...,DN}，其中，Dj表示第j个源域，且第j个源域Dj包含|Dj|个数字图片样本，且第j个源域Dj中第i个数字图片样本由其特征Xji及图片中包含的数字标签Yji组成；从而得到源域数字图片样本获取包含|DT|个数字图片样本的目标域DT，且目标域DT中第i个数字图片样本的特征记为XTi，从而得到目标域的数字图片样本计算源域集合DS＝{D1,D2,...,Dj,...,DN}中两两源域之间的边缘分布差异之和h1以及条件分布差异之和h2；步骤二：构建动态权重学习网络，包括：输入模块、动态权重关系学习模块和输出模块；步骤2.1：所述输入模块为一个串联操作层，用于将h1和h2串联成一个二维列向量h；步骤2.2：所述动态权重关系学习模块由X层全连接层和X层Sigmoid激活函数层间隔串联组成；所述二维列向量h经过动态权重关系学习模块的处理后，输出一个高维向量z；步骤2.3：所述输出模块由一层全连接层，一层Relu激活函数层，一层softmax函数层和一个向量分割操作组成；所述高维向量z经过所述输出模块后，得到一对动态权重值ω1和ω2；步骤三：构建特征提取器F，包括：特征提取层，降维层和归一化层；所述特征提取层由m1个特征提取模块依次串联而成，每个特征提取模块依次包含一层卷积层，一层正则化层和一层Relu激活函数层；所述降维层由m2个降维模块依次串联而成，每个降维模块依次包含一层全连接层和一层正则化层间隔；所述归一化层是由一层softmax层组成；步骤四：将一对动态权重值ω1和ω2分别乘以h1和h2后再相加，得到源域集合DS的差异之和l1；并通过优化所述特征提取器F来最小化差异之和l1，得到对齐后的源域集合D′S＝{D′1,D′2,...,D′j,...,D′N}；进而得到对齐后的源域数字图片样本其中，D′j表示对齐后的第j个源域；X′ji表示对齐后的第j个源域中第i个数字图片样本的特征；步骤五：将对齐后的所有源域数字图片样本与目标域数字图片样本输入到域分类器R中，并相应输出第j个源域D′j和目标域DT中的样本分别属于源域的概率pX′j和pXT，从而得到第j个源域D′j和目标域DT的图片相似性权重求出对齐后的源域集合D′S中的第j个源域D′j与目标域DT的条件分布差异hjT，并与第j个源域D′j和目标域DT的相似性权重Sj相乘后得到第j个源域D′j与目标域DT的加权条件分布差异h3j；将每个源域与目标域DT的加权条件分布差异相加得到加权条件分布差异之和l2，并通过优化所述特征提取器F来最小化所述加权条件分布差异之和l2之后，得到对齐后的源域集合D′S＝{D′1,D′2,...,D′j,...,D′N}和目标域DT的公共特征以及对齐后的目标域D′T；步骤六、设置M个分类器C1,C2,...,CM，其中，CM表示第M个分类器；通过固定特征提取器F以及优化所有分类器中的参数来最小化M个分类器C1,C2,...,CM的分类误差L1，从而优化M个分类器C1,C2,...,CM，并利用式1建立总的损失函数L，通过最小化总损失函数L来增加L2的损失值，从而筛选出对齐后的目标域样本中和同类别中数字图片相似度小于阈值的样本； 式1中，L2为M个分类器C1,C2,...,CM两两间的分类结果差异之和，并有： 式2中，X′Ti为与源域对齐后的目标域D′T中第i个数字图片样本，PCiX′Ti和PCjX′Ti是第i个分类器和第j个分类器在对第i个数字图片样本X′Ti进行分类时的结果向量，|·|2表示L2范数；步骤七、固定M个分类器C1,C2,...,CM，通过优化所述特征提取器F的参数来最小化M个分类器C1,C2,...,CM两两间的分类结果差异之和L2，以提取对齐后的目标域D′T中的数字图片样本的轮廓特征。

全文数据：

权利要求：

百度查询： 合肥工业大学 基于动态权重的多源联合自适应和内聚性特征提取方法

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