(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210505184.1 (22)申请日 2022.05.10 (71)申请人 南京信息 工程大学 地址 210044 江苏省南京市浦口区宁六路 219号 (72)发明人 田青　储奕　杨宏　许衡　 (74)专利代理 机构 南京经纬专利商标代理有限 公司 32200 专利代理师 陈月菊 (51)Int.Cl. G06V 10/764(2022.01) G06V 10/74(2022.01) G06K 9/62(2022.01) G06N 3/08(2006.01) (54)发明名称 一种无监 督多源部分域 适应图像分类方法 (57)摘要 本发明公开了一种无监督多源部分域适应 图像分类方法， 包括： 对源域和目标域的每一个 样本进行域不变特征和域私有特征的提取； 采用 最大平均差异度量 以及条件分布差异度量计算 源域和目标域样本分布的对齐程度， 以缩小两者 的分布差异， 并由所得样本间欧式距离的度量结 果在进行归一化处理后， 计算平衡因子ω； 将源 域样本导入训练所得的分类器， 根据概率标签对 源域样本进行加权以降低无关类样本造成的负 迁移； 构建域分类器， 进一步训练域私有特征提 取器， 使所得域私有特征更具判别性； 计算总体 损失， 迭代更新优化模型参数。 本发明能够解决 域对齐任务和分类任务本身之间的优化不一致 性问题以及部分域适应中无关类样本造成的负 迁移问题。 权利要求书3页 说明书7页 附图1页 CN 114863175 A 2022.08.05 CN 114863175 A 1.一种无监督多源部分域适应图像分类方法， 其特征在于， 所述分类方法包括以下步 骤： S1， 多样性特征提取： 对源域和目标域的每一个样本进行域不变特征和域私有特征的 提取； S2， 构造动态权重因子： 采用最大平均差异度量以及条件分布差异度量计算源域和目 标域样本分布的对齐程度， 缩小源域和目标域样本之间的分布差异， 并由所得样本间欧式 距离的度量结果在进行归一 化处理后， 计算平衡因子 ω； S3， 源域样本动态加权： 将源域样本导入训练所得的分类器， 根据概率标签对源域样本 进行加权以降低无关类样本 造成的负迁移； S4， 构建域分类 器， 进一步训练域私有特 征提取器， 使所 得域私有特 征更具判别性； S5， 计算总体损失， 迭代更新优化模型参数。 2.根据权利要求1所述的无监督多源部分域适应图像分类方法， 其特征在于， 步骤S1 中， 多样性特 征提取的过程包括以下步骤： 构建两个特征提取器， 采用两个特征特征提取器分别 得到域不变特征fc和域私有特征 fd； 所述域不变特征表示形式如式(1)所示： 所述域私有特 征表示形式如式(2)所示： 其中， i＝1,2, …, j＝1,2,…,nt,k＝1,2, …,K； 表示第k个源域中的样本数， nt表 示目标域中的样 本数， 表示第k个域不变特征提取器提取的第k个源域的第i个样本的特 征， 表示第k个域不变特征提取器提取的目标域第 j个样本的特征， 表示第k个域私有 特征提取器提取的第k个源域的第i个样本的特征， 表示第k个域私有 特征提取器提取的 第k个源域的第j个样本的特征， 表示第k个源域的特征提取器， 分别为相关 的参数， 分别表示第k个源域中第i个样本共享特征空间中的特征和目标域中第i个 样本共享特 征空间中的特 征， K表示源域数量。 。 3.根据权利要求2所述的无监督多源部分域适应图像分类方法， 其特征在于， 步骤S2 中， 构造动态权 重因子的过程包括以下步骤： S21， 根据式(3)计算源域各样本之间的数据分布对齐程度， 以最小化源域的域不变特 征的差异 权　利　要　求　书 1/3 页 2 CN 114863175 A 2其中， 分别为第k1和k2个源域的样本， 通过最小化损失 以对齐源域样本间的 分布； S22， 根据式(4)计算源域各样本之间的数据分布对齐程度， 以最大化源域的域私有特 征的差异 根据式(5)计算得 出源域分布对齐目标 S23， 根据式(3)计算源域和目标域的可判别性 其中， Xt分别为源域和目标域的样本； S24， 对源域和目标域样本进行 条件分布对齐， 缩小类内距离和扩大类间距离 其中， C为源域类数目， r1,r2为对应的类别， 表示第k个源域和目标域中同为r类 的样本， 表示各个源域中不同类别的样本， 表示目标域中不同类别的样本， λ 为超参数； S25， 结合上述式(6)和(7)构成目标域 适应损失 S26， 针对 源域和目标域样本间的距离度量构建平衡因子w： 其中， 表示第k个源域的初始权 重， 表示归一 化后的对应的权 重。 4.根据权利要求3所述的无监督多源部分域适应图像分类方法， 其特征在于， 步骤S3 中， 源域样本动态加权的过程包括以下步骤： 构建分类器获取概率标签， 利用所得概率标签对权重γ进行计算， 消除源域中无关类 样本所造成的负迁移； 根据式(10)更新 域不变特征提取器和分类 器的网络参数： 其中， Gc,Gy分别为域不变特征提取器和分类器， θc, θy分别表示域不变特征提取器和分 类器参数， y为源域真实标签， Ly( θc, θy)表示分类 器训练损失， ns表示源域样本数量； 将目标域样本通过分类器所得概率标签y定义为目标域样本伪标签， 根据式(11)计算权　利　要　求　书 2/3 页 3 CN 114863175 A 3