CN110210486B - 一种基于素描标注信息的生成对抗迁移学习方法 - Google Patents

一种基于素描标注信息的生成对抗迁移学习方法 Download PDF

Info

Publication number
CN110210486B
CN110210486B CN201910401740.9A CN201910401740A CN110210486B CN 110210486 B CN110210486 B CN 110210486B CN 201910401740 A CN201910401740 A CN 201910401740A CN 110210486 B CN110210486 B CN 110210486B
Authority
CN
China
Prior art keywords
network
depth
image
edge
sketch
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201910401740.9A
Other languages
English (en)
Other versions
CN110210486A (zh
Inventor
刘芳
焦李成
习亚男
郭雨薇
李玲玲
侯彪
陈璞花
马文萍
杨淑媛
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xidian University
Original Assignee
Xidian University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Xidian University filed Critical Xidian University
Priority to CN201910401740.9A priority Critical patent/CN110210486B/zh
Publication of CN110210486A publication Critical patent/CN110210486A/zh
Application granted granted Critical
Publication of CN110210486B publication Critical patent/CN110210486B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于素描标注信息的生成对抗迁移学习方法，获取初始素描图，构造形式为“源域图像‑源域图像边缘标注图”的成对数据集；构造基于素描标注信息的边缘分割深度网络并训练；基于矩阵范数选择目标域样本；构造并训练基于素描标注信息的生成对抗迁移学习网络，该网络包括深度生成器网络、深度判别器网络、基于素描标注信息的边缘分割深度网络和深度分类器网络；输入目标域图像，得到目标域图像的分类结果；本发明利用源域数据及目标域数据结构的相似性，通过结构约束，生成确定标签的符合目标域分布的样本，从而进行标签的传递，实现跨域分类。提高了分类准确率，实现了跨域分类任务。

Description

一种基于素描标注信息的生成对抗迁移学习方法
技术领域
本发明属于图像分类技术领域，具体涉及一种基于素描标注信息的生成对抗迁移学习方法，可用于跨域图像分类。
背景技术
深度学习在图像分类问题上已经取得了显著的成果，在传统的深度学习框架下，学习的任务就是在给定有标签的训练数据集上学习到一个分类网络，参数越多的模型复杂度越高，也越能解决更为复杂的分类问题，但实际上，随着大数据时代的来临，获取数据的成本越来越低，标定数据标签的成本却没有降低，使得深度学习网络在处理这部分数据时遇到阻碍。深度迁移学习打破了传统的框架，利用已标记好类别的数据域，通过寻找两个域间的相似性，进行知识的迁移，从而完成标签的传递。
目前的深度迁移学习方法主要分为基于微调和领域自适应两种。基于微调的深度迁移学习主要是利用已训练好的成熟网络，针对特定的任务，固定网络相关层，修改输出层以满足任务的需要。由于预训练好的模型都是在较大数据集上进行的，无形中扩充了训练数据，使得训练的模型更具泛化力，但其无法解决训练数据与测试数据分布不相同的问题。领域自适应则通过提取域不变特征来达成目的，即假设数据分布不一致，但在特征空间中分布一致来完成迁移任务。该类方法存在的问题是，由于特征空间的抽象性，其实无法判断提取的特征是否为域不变特征。
发明内容
本发明所要解决的技术问题在于针对上述现有技术中的不足，提供一种基于素描标注信息的生成对抗迁移学习方法，通过约束源域和目标域间的结构信息，利用生成对抗网络，生成确定标签的符合目标域分布并与源域边缘结构相似的样本，从而实现目标域的图像分类。
本发明采用以下技术方案：
一种基于素描标注信息的生成对抗迁移学习方法，包括如下步骤：
S1、获取源域图像
Figure BDA0002059970400000021
及其对应的边缘标注图
Figure BDA0002059970400000022
s为源域，Ks为源域图像的数量，其中
Figure BDA0002059970400000023
R表示实数域，
Figure BDA0002059970400000024
构造形式为“源域图像-源域图像边缘标注图”的成对数据集
Figure BDA0002059970400000025
S2、构造基于素描标注信息的边缘分割深度网络T，将步骤S1中的成对数据集
Figure BDA0002059970400000026
分批次输入边缘分割深度网络T中进行训练，每批次的大小为K；
S3、基于矩阵F范数，从目标域图像
Figure BDA0002059970400000027
中选取和源域图像
Figure BDA0002059970400000028
相似的图像，t为目标域，Kt为目标域图像数量，得到新的Kt'个目标域图像
Figure BDA0002059970400000029
及对应的伪标签
Figure BDA00020599704000000210
S4、构造基于素描标注信息的生成对抗迁移学习网络，其中，对抗迁移学习网络包括深度生成器网络G、深度判别器网络D、基于素描标注信息的边缘分割深度网络T和深度分类器网络C，将源域图像
Figure BDA00020599704000000211
及对应的标签
Figure BDA00020599704000000212
和步骤S3中得到的目标域图像
Figure BDA00020599704000000213
及对应的伪标签
Figure BDA00020599704000000214
分批次输入对抗迁移学习网络中进行训练，每批次的大小为K；
S5、将所有Kt个目标域图像
Figure BDA00020599704000000215
输入步骤S4中网络的深度分类器网络C得到目标域图像的分类结果。
具体的，步骤S1中，利用Primal Sketch算法得到源域图像对应的初始素描图，初始素描图的大小和源域图像大小相同，构造与第k张源域图像初始素描图大小一致的矩阵
Figure BDA00020599704000000216
矩阵中对应于素描线段上素描点位置处的元素置为1，矩阵中其它位置处的元素置为0，将矩阵作为边缘标注图，从而获得形式为“源域图像-源域图像边缘标注图”的成对数据集
Figure BDA00020599704000000217
其中，
Figure BDA00020599704000000218
具体的，步骤S2具体为：
首先，构造基于素描标注信息的边缘分割深度网络T，边缘分割深度网络T包括依次相连接的输入层、第一卷积层、第二卷积层、第三卷积层，第四卷积层、第一反卷积层、第二反卷积层、第五卷积层、第六卷积层和输出层；其中，边缘分割深度网络T的输入为每次从步骤S1中构造的形式为“源域图像-源域图像边缘标注图”的成对数据集
Figure BDA0002059970400000031
中随机抽取的K对数据，K为每批次的大小，输出为得到的边缘分割图
Figure BDA0002059970400000032
其中，
Figure BDA0002059970400000033
其次，对基于素描标注信息的边缘分割深度网络T进行训练，训练具体为：
构造边缘分割损失函数LT，其优化目标为：
Figure BDA0002059970400000034
其中，θT表示该基于素描标注信息的边缘分割深度网络T的参数，
Figure BDA00020599704000000322
为第k张源域图像经过基于素描标注信息的边缘分割深度网络T的输出，
Figure BDA0002059970400000035
表示该输出图像第(i,j)位置实际是边缘像素点的概率，
Figure BDA0002059970400000036
表示和第k张源域图像边缘标注图
Figure BDA0002059970400000037
对应的(i,j)位置希望是边缘像素点的概率，ω为权重参数，K为每批次的大小，N为图像大小；
最后，通过边缘分割损失函数LT和步骤S1中的成对数据集
Figure BDA0002059970400000038
结合批随机梯度下降方法，对基于素描标注信息的边缘分割深度网络T进行训练，当该网络T训练完成后，保持其参数不变。
具体的，步骤S3具体为：
S301、从目标域图像
Figure BDA0002059970400000039
中无放回地选取1张图像
Figure BDA00020599704000000310
S302、从源域图像
Figure BDA00020599704000000311
中无放回地选取1张图像
Figure BDA00020599704000000312
及其标签
Figure BDA00020599704000000313
计算图像
Figure BDA00020599704000000314
和图像
Figure BDA00020599704000000315
的F范数
Figure BDA00020599704000000316
S303、重复步骤S302Ks次，对所有的lj排序，取最小的lj及其对应的源域图像
Figure BDA00020599704000000317
的标签
Figure BDA00020599704000000318
将
Figure BDA00020599704000000319
作为目标域图像
Figure BDA00020599704000000320
的伪标签
Figure BDA00020599704000000321
S304、重复S301至S303Kt次，得到目标域图像
Figure BDA0002059970400000041
及其对应的伪标签
Figure BDA0002059970400000042
S305、筛选S304的结果，每一类标签仅保留Q个目标域图像，得到新的共Kt'个目标域图像
Figure BDA0002059970400000043
及对应的伪标签
Figure BDA0002059970400000044
具体的，步骤S4具体为：
构造基于素描标注信息的生成对抗迁移学习网络并进行训练，对抗迁移学习网络包括深度生成器网络G、深度判别器网络D、基于素描标注信息的边缘分割深度网络T和深度分类器网络C；
深度生成器网络G包括依次相连接的输入层、第一卷积层、第二卷积层、第三卷积层，第四卷积层、第一反卷积层、第二反卷积层、第五卷积层、第六卷积层和输出层；深度生成器网络G的输入为每次从源域图像
Figure BDA0002059970400000045
及对应的标签
Figure BDA0002059970400000046
中随机抽取的K个数据，K为每批次的大小，输出为图像
Figure BDA0002059970400000047
及对应标签
Figure BDA0002059970400000048
深度判别器网络D包括依次相连接的输入层、第一卷积层、第二卷积层、第三卷积层，第四卷积层、第五卷积层、第一全连接层和二分类器；深度判别器网络D的输入为每次分别从目标域图像
Figure BDA0002059970400000049
和深度生成器网络G的输出图像
Figure BDA00020599704000000410
中随机抽取的K个数据,K为每批次的大小，用来判别深度生成器网络G的输出是来源于目标域还是源域；
深度分类器网络C包括依次相连接的输入层、第一卷积层、第一最大池化层、第二卷积层、第三卷积层、第二最大池化层、第一全连接层和第二全连接层；其中，深度分类器网络C的输入为每次从深度生成器网络G的输出图像
Figure BDA00020599704000000411
及对应标签
Figure BDA00020599704000000412
中随机抽取的K个数据,K为每批次的大小，输出为图像被判别为对应标签的概率。
进一步的，对构造的基于素描标注信息的生成对抗迁移学习网络进行训练的具体方法是：
首先，构造生成对抗损失函数LGAN、针对源域图像
Figure BDA00020599704000000413
和深度生成器网络G的输出图像
Figure BDA00020599704000000414
的边缘结构损失函数L1、针对目标域图像
Figure BDA00020599704000000415
和深度生成器网络G的输出图像
Figure BDA0002059970400000051
对应类别的边缘结构损失函数L2、分类器损失LC和整体损失函数L；
其次，通过上面构造的损失函数、源域图像
Figure BDA0002059970400000052
及对应的标签
Figure BDA0002059970400000053
和步骤S3挑选出的目标域图像
Figure BDA0002059970400000054
及对应的伪标签
Figure BDA0002059970400000055
结合批随机梯度下降方法，对深度生成器网络G、深度判别器网络D和深度分类器网络C依次进行交替训练；
最终得到上述三个网络训练后权值。
更进一步的，整体损失函数L由生成对抗损失函数LGAN、针对源域图像
Figure BDA0002059970400000056
和深度生成器网络G的输出图像
Figure BDA0002059970400000057
的边缘结构损失函数L1、针对目标域图像
Figure BDA0002059970400000058
和深度生成器网络G的输出图像
Figure BDA0002059970400000059
对应类别的边缘结构损失函数L2和分类器损失函数LC加权求和得到：
Figure BDA00020599704000000510
其中，θG表示深度生成器网络G的参数，θD表示深度判别器网络D的参数，θC表示深度分类器C的参数，λ1、λ2、λ3和λ4均为超参数，具体地：
生成对抗损失函数LGAN表示为：
Figure BDA00020599704000000511
其中，θG表示深度生成器网络G的参数，θD表示深度判别器网络D的参数，D(·)表示判别器的输出，G(·)表示生成器的输出，K为每批次的大小；
针对源域图像
Figure BDA00020599704000000512
和深度生成器网络G的输出图像
Figure BDA00020599704000000513
的边缘结构损失函数L1表示为：
Figure BDA00020599704000000514
其中，θG为深度生成器网络G的参数,
Figure BDA00020599704000000515
表示第k张源域图像经过深度生成器网络G得到的输出图像，
Figure BDA00020599704000000516
表示该输出图像经过基于素描标注信息的边缘分割深度网络T得到的边缘分割图，
Figure BDA00020599704000000517
表示第k张源域图像经过基于素描标注信息的边缘分割深度网络T得到的边缘分割图，
Figure BDA00020599704000000612
表示该边缘分割图中第n个边缘像素点对应的掩模矩阵，Nk为该边缘分割图中边缘像素点的个数，*为Hadamard积，表示矩阵对应位置元素相乘，||·||F表示矩阵的F范数。
再进一步的，
Figure BDA0002059970400000061
表示该边缘分割图中第n个边缘像素点对应的掩模矩阵的设计方法如下：
求源域图像对应边缘分割图中每一边缘像素点对应的掩模矩阵，每个掩模矩阵的大小和边缘分割图的大小一致；对于第k张源域图像共产生
Figure BDA0002059970400000062
个掩模矩阵，该源域图像对应边缘分割图中第n个边缘像素点的掩模矩阵
Figure BDA0002059970400000063
的表达如下：
Figure BDA0002059970400000064
其中，n＝1,2,...,Nk，
Figure BDA0002059970400000065
表示第k张源域图像边缘分割图中第n个对应于(i,j)位置边缘像素点的掩模矩阵。
进一步的，训练深度生成器网络G时，针对目标域图像
Figure BDA0002059970400000066
和深度生成器网络G的输出图像
Figure BDA0002059970400000067
对应类别的边缘结构损失函数L2的表达式为：
Figure BDA0002059970400000068
Figure BDA0002059970400000069
其中，θG为深度生成器网络G的参数，
Figure BDA00020599704000000610
表示第k张源域图像对应标签，
Figure BDA00020599704000000611
表示第k张目标域图像对应伪标签，
Figure BDA0002059970400000071
表示第k张源域图像经过深度生成器网络G得到的输出图像，
Figure BDA0002059970400000072
表示该输出图像经过基于素描标注信息的边缘分割深度网络T得到的边缘分割图，
Figure BDA0002059970400000073
表示第k张目标域图像经过基于素描标注信息的边缘分割深度网络T得到的边缘分割图，
Figure BDA0002059970400000074
表示该边缘分割图中第n个边缘像素点对应的掩模矩阵，Nk为该边缘分割图中边缘像素点的个数，*为Hadamard积，表示矩阵对应位置元素相乘，K为每批次的大小，||·||F表示矩阵的F范数，其中，
Figure BDA0002059970400000075
构造方式如下：
对于第k张目标域图像共产生
Figure BDA0002059970400000076
个掩模矩阵，该目标域图像对应边缘分割图中第n个边缘像素点的掩模矩阵
Figure BDA0002059970400000077
的表达如下：
Figure BDA0002059970400000078
其中，n＝1,2,...,Nk，
Figure BDA0002059970400000079
表示第k张目标域图像边缘分割图中第n个对应于(i,j)位置边缘像素点的掩模矩阵。
进一步的，训练深度分类器网络C时，分类器损失函数LC的表达式为：
Figure BDA00020599704000000710
其中，θC为深度分类器网络C的参数，
Figure BDA00020599704000000711
表示第k张源域图像经过深度生成器网络G得到的输出图像，
Figure BDA00020599704000000712
表示该输出图像经过深度分类器网络的结果，
Figure BDA00020599704000000713
为该输出图像的期望输出结果，K为每批次的大小。
与现有技术相比，本发明至少具有以下有益效果：
本发明一种基于素描标注信息的生成对抗迁移学习方法，构建基于素描标注信息的边缘分割深度网络，通过寻找到的源域与目标域样本结构的相似性，生成确定标签的符合目标域分布并与源域边缘结构相似的样本，生成的图像作为训练集，目标域图像作为测试集，此时训练数据与测试数据满足深度网络所要求的分布一致性，训练好的分类器可以对目标域进行良好的分类，从而获取没有标签信息的目标域图像的分类结果，完成跨域分类任务。
进一步的，利用Primal Sketch算法得到源域图像对应的初始素描图去标注图像的边缘信息，构造的数据集省去了人工标注边缘的成本。
进一步的，构造的基于素描标注信息的边缘分割网络利用S1得到的数据集训练，使用训练好的该网络可以直接得到输入图像的边缘结构信息，克服了现有模型不可微的缺点，使得本发明可以将结构约束应用到梯度下降优化算法中，使得整体网络得到更好的训练。
进一步的，采用F范数对目标域数据进行筛选及赋予伪标签操作，可以对生成器网络输出和目标域对应类别间的数据做结构约束，从而使生成器网络输出结构更相似于目标域数据的样本，有利于分类器网络对目标域数据的分类。
进一步的，本发明同时使用生成对抗损失函数、针对源域图像和深度生成器网络的输出图像的边缘结构损失函数、针对目标域图像和深度生成器网络的输出图像对应类别的边缘结构损失函数和分类器损失对生成器网络进行约束，克服了现有生成模型仅使用生成对抗损失，却没有关注到图像本身的结构信息，使得本发明可以生成确定类别的，符合目标域数据分布且结构与目标域数据相似的样本，提高了跨域分类的准确率。
综上所述，本发明通过约束生成器网络输出结果和源域数据及目标域数据结构的相似性，利用源域数据的标签信息，有效地对属于不同分布的无标签的目标域数据进行分类，提高了分类准确率，实现了跨域分类任务。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
图1为本发明中基于素描标注信息的生成对抗迁移学习方法的网络框图；
图2为本发明中边缘标注示意图；
图3为本发明中基于素描标注信息的边缘分割深度网络T架构示意图；
图4为本发明中基于素描标注信息的生成对抗迁移学习网络架构示意图；其中，其中，(a)是深度生成器网络G的网络架构；(b)是深度判别器网络D的网络架构；(c)是深度分类器网络C的网络架构；
图5为基于素描标注信息的边缘分割深度网络源域图像仿真结果图，按列查看，从左往右第一列是源域图像，第二列是源域图像初始素描图，第三列是源域图像边缘分割概率图，第四列是源域图像边缘分割结果图；
图6为边缘分割网络目标域图像仿真结果图，按列查看，从左往右第一列是目标域图像，第二列是目标域图像边缘分割概率图，第三列是目标域图像边缘分割结果图；
图7为生成器网络输出结果图，按列查看，从左往右第一列为源域图像，第二列为深度生成器网络G的输出图像。
具体实施方式
本发明提供了一种基于素描标注信息的生成对抗迁移学习方法，获取初始素描图，构造形式为“源域图像-源域图像边缘标注图”的成对数据集；构造基于素描标注信息的边缘分割深度网络并训练；基于矩阵范数选择目标域样本；构造并训练基于素描标注信息的生成对抗迁移学习网络，该网络包括深度生成器网络、深度判别器网络、基于素描标注信息的边缘分割深度网络和深度分类器网络；输入目标域图像，得到目标域图像的分类结果；本发明利用源域数据及目标域数据结构的相似性，通过结构约束，生成确定标签的符合目标域分布的样本，从而进行标签的传递，实现跨域分类。
请参阅图1，本发明一种基于素描标注信息的生成对抗迁移学习方法，包括以下步骤：
S1、获取源域图像
Figure BDA0002059970400000101
(s代表源域，Ks表示源域图像的数量)及其对应的边缘标注图
Figure BDA0002059970400000102
其中
Figure BDA0002059970400000103
R表示实数域，
Figure BDA0002059970400000104
构造形式为“源域图像-源域图像边缘标注图”的成对数据集
Figure BDA0002059970400000105
请参阅图2，利用Primal Sketch算法得到源域图像对应的初始素描图，初始素描图的大小和源域图像大小相同，初始素描图中的素描线段描述了原图像中亮度发生突变的地方，而图像中的边界部分正是亮度发生突变的地方，因此，在本发明中，用素描线段上素描点的位置来表示对应图像上属于边缘的像素点的位置。
具体地，构造与第k张源域图像初始素描图大小一致的矩阵
Figure BDA0002059970400000106
只让矩阵中对应于素描线段上素描点位置处的元素置为1，矩阵中其它位置处的元素置为0，称这样的矩阵为边缘标注图，从而获得形式为“源域图像-源域图像边缘标注图”的成对数据集
Figure BDA0002059970400000107
其中，
Figure BDA0002059970400000108
S2、构造基于素描标注信息的边缘分割深度网络T，将步骤S1中的成对数据集
Figure BDA0002059970400000109
分批次输入该网络中进行训练，每批次的大小为K；输出为得到的边缘分割图
Figure BDA00020599704000001010
其中，
Figure BDA00020599704000001011
且
Figure BDA00020599704000001012
随机初始化该网络中各个卷积核的参数，得到初始化后的边缘分割网络；
请参阅图3，构造基于素描标注信息的边缘分割深度网络T，该边缘分割深度网络T包括依次相连接的输入层、第一卷积层、第二卷积层、第三卷积层，第四卷积层、第一反卷积层、第二反卷积层、第五卷积层、第六卷积层和输出层，输入层为28×28×1大小的原图及边缘图，输入层和输出层间的8层的滤波器尺寸分别为3,3,3,3,3,3,3,3，步长分别为1,2,1,2,2,2,1,1，特征映射图数目分别为64,128,256,256,256,128,64,2,1，输出层大小为28×28×1的二值图。
构造边缘分割损失函数LT，其优化目标为：
Figure BDA0002059970400000111
其中，θT表示该基于素描标注信息的边缘分割深度网络T的参数，
Figure BDA0002059970400000112
为第k张源域图像经过基于素描标注信息的边缘分割深度网络T的输出，
Figure BDA0002059970400000113
表示该输出图像第(i,j)位置实际的是边缘像素点的概率，
Figure BDA0002059970400000114
表示和第k张源域图像边缘标注图
Figure BDA0002059970400000115
对应的(i,j)位置希望是边缘像素点的概率，ω为权重参数(取5)，K为每批次的大小，N为图像大小。
通过边缘分割损失函数LT，采用批随机梯度下降方法，对边缘分割深度网络T进行训练，得到训练后的网络权值，训练的具体方法是：
S201、设置训练批次大小n＝64和迭代次数t＝30，以及损失函数中包含的权重参数ω＝5；
S202、“源域图像-源域图像边缘标注图”的成对数据集中随机采样一个批次n个样本
Figure BDA0002059970400000116
S203、通过批随机梯度下降的方法更新边缘分割网络T：
Figure BDA0002059970400000117
S204、重复S202至S203，直到达到迭代次数t；
S205、输出训练完成的边缘分割网络T的权值θT。
S3、样本选择；
基于矩阵F范数，从目标域图像
Figure BDA0002059970400000118
中(t表示目标域，Kt为目标域图像数量)选取和源域图像
Figure BDA0002059970400000119
相似的图像，得到新的Kt'个目标域图像
Figure BDA00020599704000001110
及对应的伪标签
Figure BDA00020599704000001111
基于矩阵F范数，从目标域图像
Figure BDA00020599704000001112
中(t表示目标域，Kt为目标域图像数量)选取和源域图像
Figure BDA00020599704000001113
相似的图像，得到新的Kt'个目标域图像
Figure BDA00020599704000001114
及对应的伪标签
Figure BDA00020599704000001115
其具体步骤如下：
S301、从目标域图像
Figure BDA0002059970400000121
中无放回地选取1张图像
Figure BDA0002059970400000122
S302、从源域图像
Figure BDA0002059970400000123
中无放回地选取1张图像
Figure BDA0002059970400000124
及其标签
Figure BDA0002059970400000125
计算图像
Figure BDA0002059970400000126
和图像
Figure BDA0002059970400000127
的F范数
Figure BDA0002059970400000128
S303、重复步骤S302Ks次，对所有的lj排序，取最小的lj及其对应的源域图像
Figure BDA0002059970400000129
的标签
Figure BDA00020599704000001210
将
Figure BDA00020599704000001211
作为目标域图像
Figure BDA00020599704000001212
的伪标签
Figure BDA00020599704000001213
S304、重复S301至S303Kt次，得到目标域图像
Figure BDA00020599704000001214
及其对应的伪标签
Figure BDA00020599704000001215
S305、筛选S304的结果，每一类标签仅保留Q个目标域图像，得到新的共Kt'个目标域图像
Figure BDA00020599704000001216
及对应的伪标签
Figure BDA00020599704000001217
S4、构造并训练基于素描标注信息的生成对抗迁移学习网络；
对抗迁移学习网络包括深度生成器网络G、深度判别器网络D、基于素描标注信息的边缘分割深度网络T和深度分类器网络C，如图4所示，将源域图像
Figure BDA00020599704000001218
及对应的标签
Figure BDA00020599704000001219
和步骤S3中得到的目标域图像
Figure BDA00020599704000001220
及对应的伪标签
Figure BDA00020599704000001221
分批次输入该网络中进行训练，每批次的大小为K；
深度生成器网络G包括依次相连接的输入层、第一卷积层、第二卷积层、第三卷积层，第四卷积层、第一反卷积层、第二反卷积层、第五卷积层、第六卷积层和输出层，输入层为28×28×1大小的源域图像，输入层和输出层间的8层的滤波器尺寸分别为3,3,3,3,3,3,3,3，步长分别为1,2,1,2,2,2,1,1，特征映射图数目分别为64,128,256,256,256,128,64,1,1，输出层大小为28×28×1的灰度图像；
深度生成器网络G的输入为每次从源域图像
Figure BDA00020599704000001222
及对应的标签
Figure BDA00020599704000001223
中随机抽取的K个数据，K为每批次的大小，输出为图像
Figure BDA00020599704000001224
及对应标签
Figure BDA00020599704000001225
随机初始化该网络中各个卷积核的参数，得到初始化后的网络；
深度判别器网络D包括依次相连接的输入层、第一卷积层、第二卷积层、第三卷积层，第四卷积层、第五卷积层、第一全连接层和二分类器，输入层的输入为28×28×1大小的图像，输入层和输出层间的5层的滤波器尺寸分别为5,5,2,2,2，步长分别为2,2,2,2,2，特征映射图数目分别为64,128,256,512,1024，全连接层的节点为100,1，输出一个标量；
深度判别器网络D的输入为每次分别从目标域图像
Figure BDA0002059970400000131
和深度生成器网络G的输出图像
Figure BDA0002059970400000132
中随机抽取的K个数据,K为每批次的大小，用来判别深度生成器网络G的输出是来源于目标域还是源域，随机初始化该网络中各个卷积核的参数，得到初始化后的网络；
深度分类器网络C包括依次相连接的输入层、第一卷积层、第一最大池化层、第二卷积层、第三卷积层、第二最大池化层、第一全连接层和第二全连接层，输入层的输入为28×28×1大小的图像，输入层和输出层间的5层的滤波器尺寸分别为5,2,3,3,2，步长分别为1,2,1,1,2，特征映射图数目分别为32,32,64,64,64，全连接层的节点为256,10；
深度分类器网络C的输入为每次从深度生成器网络G的输出图像
Figure BDA0002059970400000133
及对应标签
Figure BDA0002059970400000134
中随机抽取的K个数据,K为每批次的大小，输出为图像被判别为对应标签的概率，随机初始化该网络中各个卷积核的参数，得到初始化后的网络。
对构造的基于素描标注信息的生成对抗迁移学习网络进行训练的具体方法是：
构造生成对抗损失函数LGAN、针对源域图像
Figure BDA0002059970400000135
和深度生成器网络G的输出图像
Figure BDA0002059970400000136
的边缘结构损失函数L1、针对目标域图像
Figure BDA0002059970400000137
和深度生成器网络G的输出图像
Figure BDA0002059970400000138
对应类别的边缘结构损失函数L2、分类器损失LC和整体损失函数L；通过上面构造的损失函数、源域图像
Figure BDA0002059970400000139
及对应的标签
Figure BDA00020599704000001310
和步骤S3挑选出的目标域图像
Figure BDA00020599704000001311
及对应的伪标签
Figure BDA00020599704000001312
结合批随机梯度下降方法，对深度生成器网络G、深度判别器网络D和深度分类器网络C依次进行交替训练，最终得到上述三个网络训练后权值。
整体损失函数L由生成对抗损失函数LGAN、针对源域图像
Figure BDA00020599704000001313
和深度生成器网络G的输出图像
Figure BDA00020599704000001314
的边缘结构损失函数L1、针对目标域图像
Figure BDA00020599704000001315
和深度生成器网络G的输出图像
Figure BDA0002059970400000141
对应类别的边缘结构损失函数L2和分类器损失函数LC加权求和得到：
Figure BDA0002059970400000142
其中，θG表示深度生成器网络G的参数，θD表示深度判别器网络D的参数，θC表示深度分类器C的参数，λ1、λ2、λ3和λ4均为超参数，具体地：
深度判别器网络D的输入为深度生成器网络G的输出图像
Figure BDA0002059970400000143
和目标域图像
Figure BDA0002059970400000144
用来判别深度生成器网络G的输出是来源于目标域还是源域，根据GAN的定义，将生成对抗损失函数LGAN表示为如下形式：
Figure BDA0002059970400000145
其中，θG表示深度生成器网络G的参数，θD表示深度判别器网络D的参数，D(·)表示判别器的输出，G(·)表示生成器的输出，K为每批次的大小。
针对源域图像
Figure BDA0002059970400000146
和深度生成器网络G的输出图像
Figure BDA0002059970400000147
的边缘结构损失函数L1的设计方法具体如下：
求源域图像对应边缘分割图中每一边缘像素点对应的掩模矩阵，每个掩模矩阵的大小和边缘分割图的大小一致。对于第k张源域图像共产生
Figure BDA0002059970400000148
个掩模矩阵，该源域图像对应边缘分割图中第n个边缘像素点的掩模矩阵
Figure BDA0002059970400000149
的表达如下：
Figure BDA00020599704000001410
其中，n＝1,2,...,Nk，
Figure BDA0002059970400000151
表示第k张源域图像边缘分割图中第n个对应于(i,j)位置边缘像素点的掩模矩阵。
得到针对源域图像
Figure BDA0002059970400000152
和深度生成器网络G的输出图像
Figure BDA0002059970400000153
的边缘结构损失函数L1表示为：
Figure BDA0002059970400000154
其中，θG为深度生成器网络G的参数,
Figure BDA0002059970400000155
表示第k张源域图像经过深度生成器网络G得到的输出图像，
Figure BDA0002059970400000156
表示该输出图像经过基于素描标注信息的边缘分割深度网络T得到的边缘分割图，
Figure BDA0002059970400000157
表示第k张源域图像经过基于素描标注信息的边缘分割深度网络T得到的边缘分割图，
Figure BDA0002059970400000158
表示该边缘分割图中第n个边缘像素点对应的掩模矩阵，Nk为该边缘分割图中边缘像素点的个数，*为Hadamard积，表示矩阵对应位置元素相乘，||·||F表示矩阵的F范数。
针对目标域图像
Figure BDA0002059970400000159
和深度生成器网络G的输出图像
Figure BDA00020599704000001510
对应类别的边缘结构损失函数L2的设计如下：
Figure BDA00020599704000001511
Figure BDA00020599704000001512
其中，θG为深度生成器网络G的参数，
Figure BDA00020599704000001513
表示第k张源域图像对应标签，
Figure BDA00020599704000001514
表示第k张目标域图像对应伪标签，
Figure BDA00020599704000001515
表示第k张源域图像经过深度生成器网络G得到的输出图像，
Figure BDA00020599704000001516
表示该输出图像经过基于素描标注信息的边缘分割深度网络T得到的边缘分割图，
Figure BDA00020599704000001517
表示第k张目标域图像经过基于素描标注信息的边缘分割深度网络T得到的边缘分割图，
Figure BDA00020599704000001518
表示该边缘分割图中第n个边缘像素点对应的掩模矩阵，Nk为该边缘分割图中边缘像素点的个数，*为Hadamard积，表示矩阵对应位置元素相乘，K为每批次的大小，||·||F表示矩阵的F范数。
其中，
Figure BDA0002059970400000161
构造方式如下：
对于第k张目标域图像共产生
Figure BDA0002059970400000162
个掩模矩阵，该目标域图像对应边缘分割图中第n个边缘像素点的掩模矩阵
Figure BDA0002059970400000163
的表达如下：
Figure BDA0002059970400000164
其中，n＝1,2,...,Nk，
Figure BDA0002059970400000165
表示第k张目标域图像边缘分割图中第n个对应于(i,j)位置边缘像素点的掩模矩阵。
分类器损失函数LC的表达式为：
Figure BDA0002059970400000166
其中，θC为深度分类器网络C的参数，
Figure BDA0002059970400000167
表示第k张源域图像经过深度生成器网络G得到的输出图像，
Figure BDA0002059970400000168
表示该输出图像经过深度分类器网络的结果，
Figure BDA0002059970400000169
为该输出图像的期望输出结果，K为每批次的大小。
借助批随机梯度下降方法，对深度判别器网络D、深度生成器网络G和深度分类器网络C依次进行交替训练的具体步骤为：
S401、设置训练批次大小n＝64和迭代次数t＝1000，以及损失函数中包含的四种权重参数λ1＝0.25，λ2＝0.2，λ3＝0.2，λ4＝0.35；
S402、从源域图像中随机采样一个批次n个样本
Figure BDA0002059970400000171
S403、从目标域图像中随机采样一个批次n个样本
Figure BDA0002059970400000172
S404、通过批随机梯度下降的方法更新判别器网络D：
Figure BDA0002059970400000173
S405、通过批随机梯度下降的方法更新生成器网络G：
Figure BDA0002059970400000174
S406、通过批随机梯度下降的方法更新分类器网络C：
Figure BDA0002059970400000175
S407、重复S402至S406，直到达到迭代次数t；
S408、输出训练完成的深度生成器网络G的权值θG、深度判别器网络D的权值θD和深度分类器网络C的权值θC。
S5、将所有Kt个目标域图像
Figure BDA0002059970400000176
输入步骤S4中网络的深度分类器网络C得到目标域图像的分类结果。
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中的描述和所示的本发明实施例的组件可以通过各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
下面结合仿真图对本发明的效果做进一步的描述。
1.仿真条件：
本发明仿真的硬件平台为：HP Z840；软件平台为：Tensorflow；本发明使用的源域图像为MNIST手写体数据集，包含训练集样本60000张，目标域图像为USPS，包含训练集样本7291张。
2.仿真内容与结果：
用本发明方法在上述仿真条件下进行实验，首先从“源域图像-源域图像边缘标注图”的成对数据集中选取成对样本对基于素描标注信息的边缘分割深度网络进行训练。得到如图5的结果，从左往右第一列是源域图像，第二列是源域图像初始素描图，第三列是源域图像边缘分割概率图，第四列是源域图像边缘分割结果图。以及图6的结果，从左往右第一列是目标域图像，第二列是目标域图像边缘分割概率图，第三列是目标域图像边缘分割结果图。再通过选取的目标域样本，每类500张及源域图像对基于素描标注信息的生成对抗迁移学习网络进行训练，如图7为对应的生成器结果，按列查看，从左往右第一列为源域图像，第二列为深度生成器网络的输出图像。
从图7可以看出生成器生成的图像和目标域的分布具有很大的相似性，同时，保持了结构的一致性。最终的分类结果如下：
表1
方法 分类准确率
只用源域图像训练分类器 75.1％
本发明方法(去掉边缘分割网络) 69.6％
本发明方法 93.2％
从表1的结果看本发明的方法取得了较好的分类结果。
综上所述，本发明使用的基于素描标注信息的生成对抗迁移学习方法，能够利用源域的标签信息及源域和目标域样本结构的相似性，有效的对无标签信息的目标域图像进行分类，通过对图像通过生成器前后的结构及源域和目标域图像结构的约束，达到了生成确定标签的符合目标域分布且结构一致样本的目的。
以上内容仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明权利要求书的保护范围之内。

Claims (10)

1.一种基于素描标注信息的生成对抗迁移学习方法，其特征在于，包括如下步骤：
S1、获取源域图像
Figure FDA0002770449370000011
及其对应的边缘标注图
Figure FDA0002770449370000012
s为源域，Ks为源域图像的数量，其中
Figure FDA0002770449370000013
N为图像大小，R表示实数域，
Figure FDA0002770449370000014
构造形式为“源域图像-源域图像边缘标注图”的成对数据集
Figure FDA0002770449370000015
S2、构造基于素描标注信息的边缘分割深度网络T，将步骤S1中的成对数据集
Figure FDA0002770449370000016
分批次输入边缘分割深度网络T中进行训练，每批次的大小为K；
S3、基于矩阵F范数，从目标域图像
Figure FDA0002770449370000017
中选取和源域图像
Figure FDA0002770449370000018
相似的图像，t为目标域，Kt为目标域图像数量，得到新的Kt'个目标域图像
Figure FDA0002770449370000019
及对应的伪标签
Figure FDA00027704493700000110
S4、构造基于素描标注信息的生成对抗迁移学习网络，其中，对抗迁移学习网络包括深度生成器网络G、深度判别器网络D、基于素描标注信息的边缘分割深度网络T和深度分类器网络C，将源域图像
Figure FDA00027704493700000111
及对应的标签
Figure FDA00027704493700000112
和步骤S3中得到的目标域图像
Figure FDA00027704493700000113
及对应的伪标签
Figure FDA00027704493700000114
分批次输入对抗迁移学习网络中进行训练，每批次的大小为K；
S5、将所有Kt个目标域图像
Figure FDA00027704493700000115
输入步骤S4中网络的深度分类器网络C得到目标域图像的分类结果。
2.根据权利要求1所述的基于素描标注信息的生成对抗迁移学习方法，其特征在于，步骤S1中，利用Primal Sketch算法得到源域图像对应的初始素描图，初始素描图的大小和源域图像大小相同，构造与第k张源域图像初始素描图大小一致的矩阵
Figure FDA00027704493700000116
矩阵中对应于素描线段上素描点位置处的元素置为1，矩阵中其它位置处的元素置为0，将矩阵作为边缘标注图，从而获得形式为“源域图像-源域图像边缘标注图”的成对数据集
Figure FDA00027704493700000117
其中，
Figure FDA00027704493700000118
3.根据权利要求1所述的基于素描标注信息的生成对抗迁移学习方法，其特征在于，步骤S2具体为：
首先，构造基于素描标注信息的边缘分割深度网络T，边缘分割深度网络T包括依次相连接的输入层、第一卷积层、第二卷积层、第三卷积层，第四卷积层、第一反卷积层、第二反卷积层、第五卷积层、第六卷积层和输出层；其中，边缘分割深度网络T的输入为每次从步骤S1中构造的形式为“源域图像-源域图像边缘标注图”的成对数据集
Figure FDA0002770449370000021
中随机抽取的K对数据，K为每批次的大小，输出为得到的边缘分割图
Figure FDA0002770449370000022
其中，
Figure FDA0002770449370000023
其次，对基于素描标注信息的边缘分割深度网络T进行训练，训练具体为：
构造边缘分割损失函数LT，其优化目标为：
Figure FDA0002770449370000024
其中，θT表示该基于素描标注信息的边缘分割深度网络T的参数，
Figure FDA0002770449370000025
为第k张源域图像经过基于素描标注信息的边缘分割深度网络T的输出，
Figure FDA0002770449370000026
表示该输出图像第(i,j)位置实际是边缘像素点的概率，
Figure FDA0002770449370000027
表示和第k张源域图像边缘标注图
Figure FDA0002770449370000028
对应的(i,j)位置希望是边缘像素点的概率，ω为权重参数，K为每批次的大小，N为图像大小；
最后，通过边缘分割损失函数LT和步骤S1中的成对数据集
Figure FDA0002770449370000029
结合批随机梯度下降方法，对基于素描标注信息的边缘分割深度网络T进行训练，当该网络T训练完成后，保持其参数不变。
4.根据权利要求1所述的基于素描标注信息的生成对抗迁移学习方法，其特征在于，步骤S3具体为：
S301、从目标域图像
Figure FDA00027704493700000210
中无放回地选取1张图像
Figure FDA00027704493700000211
S302、从源域图像
Figure FDA00027704493700000212
中无放回地选取1张图像
Figure FDA00027704493700000213
及其标签
Figure FDA00027704493700000214
计算图像
Figure FDA00027704493700000215
和图像
Figure FDA00027704493700000216
的F范数
Figure FDA00027704493700000217
S303、重复步骤S302Ks次，对所有的lj排序，取最小的lj及其对应的源域图像
Figure FDA00027704493700000218
的标签
Figure FDA00027704493700000219
将
Figure FDA00027704493700000220
作为目标域图像
Figure FDA00027704493700000221
的伪标签
Figure FDA00027704493700000222
S304、重复S301至S303Kt次，得到目标域图像
Figure FDA0002770449370000031
及其对应的伪标签
Figure FDA0002770449370000032
S305、筛选S304的结果，每一类标签仅保留Q个目标域图像，得到新的共Kt'个目标域图像
Figure FDA0002770449370000033
及对应的伪标签
Figure FDA0002770449370000034
5.根据权利要求1所述的基于素描标注信息的生成对抗迁移学习方法，其特征在于，步骤S4具体为：
构造基于素描标注信息的生成对抗迁移学习网络并进行训练，对抗迁移学习网络包括深度生成器网络G、深度判别器网络D、基于素描标注信息的边缘分割深度网络T和深度分类器网络C；
深度生成器网络G包括依次相连接的输入层、第一卷积层、第二卷积层、第三卷积层，第四卷积层、第一反卷积层、第二反卷积层、第五卷积层、第六卷积层和输出层；深度生成器网络G的输入为每次从源域图像
Figure FDA0002770449370000035
及对应的标签
Figure FDA0002770449370000036
中随机抽取的K个数据，K为每批次的大小，输出为图像
Figure FDA0002770449370000037
及对应标签
Figure FDA0002770449370000038
深度判别器网络D包括依次相连接的输入层、第一卷积层、第二卷积层、第三卷积层，第四卷积层、第五卷积层、第一全连接层和二分类器；深度判别器网络D的输入为每次分别从目标域图像
Figure FDA0002770449370000039
和深度生成器网络G的输出图像
Figure FDA00027704493700000310
中随机抽取的K个数据,K为每批次的大小，用来判别深度生成器网络G的输出是来源于目标域还是源域；
深度分类器网络C包括依次相连接的输入层、第一卷积层、第一最大池化层、第二卷积层、第三卷积层、第二最大池化层、第一全连接层和第二全连接层；其中，深度分类器网络C的输入为每次从深度生成器网络G的输出图像
Figure FDA00027704493700000311
及对应标签
Figure FDA00027704493700000312
中随机抽取的K个数据,K为每批次的大小，输出为图像被判别为对应标签的概率。
6.根据权利要求5所述的基于素描标注信息的生成对抗迁移学习方法，其特征在于，对构造的基于素描标注信息的生成对抗迁移学习网络进行训练的具体方法是：
首先，构造生成对抗损失函数LGAN、针对源域图像
Figure FDA0002770449370000041
和深度生成器网络G的输出图像
Figure FDA0002770449370000042
的边缘结构损失函数L1、针对目标域图像
Figure FDA0002770449370000043
和深度生成器网络G的输出图像
Figure FDA0002770449370000044
对应类别的边缘结构损失函数L2、分类器损失LC和整体损失函数L；
其次，通过上面构造的损失函数、源域图像
Figure FDA0002770449370000045
及对应的标签
Figure FDA0002770449370000046
和步骤S3挑选出的目标域图像
Figure FDA0002770449370000047
及对应的伪标签
Figure FDA0002770449370000048
结合批随机梯度下降方法，对深度生成器网络G、深度判别器网络D和深度分类器网络C依次进行交替训练；
最终得到上述三个网络训练后权值。
7.根据权利要求6所述的基于素描标注信息的生成对抗迁移学习方法，其特征在于，整体损失函数L由生成对抗损失函数LGAN、针对源域图像
Figure FDA0002770449370000049
和深度生成器网络G的输出图像
Figure FDA00027704493700000410
的边缘结构损失函数L1、针对目标域图像
Figure FDA00027704493700000411
和深度生成器网络G的输出图像
Figure FDA00027704493700000412
对应类别的边缘结构损失函数L2和分类器损失函数LC加权求和得到：
Figure FDA00027704493700000413
其中，θG表示深度生成器网络G的参数，θD表示深度判别器网络D的参数，θC表示深度分类器C的参数，λ1、λ2、λ3和λ4均为超参数，具体地：
生成对抗损失函数LGAN表示为：
Figure FDA00027704493700000414
其中，θG表示深度生成器网络G的参数，θD表示深度判别器网络D的参数，D(·)表示判别器的输出，G(·)表示生成器的输出，K为每批次的大小；
针对源域图像
Figure FDA00027704493700000415
和深度生成器网络G的输出图像
Figure FDA00027704493700000416
的边缘结构损失函数L1表示为：
Figure FDA00027704493700000417
其中，θG为深度生成器网络G的参数,
Figure FDA0002770449370000051
表示第k张源域图像经过深度生成器网络G得到的输出图像，
Figure FDA0002770449370000052
表示输出图像
Figure FDA0002770449370000053
经过基于素描标注信息的边缘分割深度网络T得到的边缘分割图，
Figure FDA0002770449370000054
表示第k张源域图像经过基于素描标注信息的边缘分割深度网络T得到的边缘分割图，
Figure FDA0002770449370000055
表示边缘分割图
Figure FDA0002770449370000056
中第n个边缘像素点对应的掩模矩阵，Nk为边缘分割图
Figure FDA0002770449370000057
中边缘像素点的个数，*为Hadamard积，表示矩阵对应位置元素相乘，||·||F表示矩阵的F范数。
8.根据权利要求7所述的基于素描标注信息的生成对抗迁移学习方法，其特征在于，
Figure FDA0002770449370000058
表示该边缘分割图中第n个边缘像素点对应的掩模矩阵的设计方法如下：
求源域图像对应边缘分割图中每一边缘像素点对应的掩模矩阵，每个掩模矩阵的大小和边缘分割图的大小一致；对于第k张源域图像共产生
Figure FDA0002770449370000059
个掩模矩阵，该源域图像对应边缘分割图中第n个边缘像素点的掩模矩阵
Figure FDA00027704493700000510
的表达如下：
Figure FDA00027704493700000511
其中，n＝1,2,...,Nk，
Figure FDA00027704493700000512
表示第k张源域图像边缘分割图中第n个对应于(i,j)位置边缘像素点的掩模矩阵。
9.根据权利要求7所述的基于素描标注信息的生成对抗迁移学习方法，其特征在于，训练深度生成器网络G时，针对目标域图像
Figure FDA00027704493700000513
和深度生成器网络G的输出图像
Figure FDA00027704493700000514
对应类别的边缘结构损失函数L2的表达式为：
Figure FDA0002770449370000061
Figure FDA0002770449370000062
其中，θG为深度生成器网络G的参数，
Figure FDA0002770449370000063
表示第k张源域图像对应标签，
Figure FDA0002770449370000064
表示第k张目标域图像对应伪标签，
Figure FDA0002770449370000065
表示第k张源域图像经过深度生成器网络G得到的输出图像，
Figure FDA0002770449370000066
表示该输出图像经过基于素描标注信息的边缘分割深度网络T得到的边缘分割图，
Figure FDA0002770449370000067
表示第k张目标域图像经过基于素描标注信息的边缘分割深度网络T得到的边缘分割图，
Figure FDA0002770449370000068
表示该边缘分割图中第n个边缘像素点对应的掩模矩阵，Nk为该边缘分割图中边缘像素点的个数，*为Hadamard积，表示矩阵对应位置元素相乘，K为每批次的大小，||·||F表示矩阵的F范数，其中，
Figure FDA0002770449370000069
构造方式如下：
对于第k张目标域图像共产生
Figure FDA00027704493700000610
个掩模矩阵，该目标域图像对应边缘分割图中第n个边缘像素点的掩模矩阵
Figure FDA00027704493700000611
的表达如下：
Figure FDA00027704493700000612
其中，n＝1,2,...,Nk，
Figure FDA00027704493700000613
表示第k张目标域图像边缘分割图中第n个对应于(i,j)位置边缘像素点的掩模矩阵。
10.根据权利要求7所述的基于素描标注信息的生成对抗迁移学习方法，其特征在于，训练深度分类器网络C时，分类器损失函数LC的表达式为：
Figure FDA0002770449370000071
其中，θC为深度分类器网络C的参数，
Figure FDA0002770449370000072
表示第k张源域图像经过深度生成器网络G得到的输出图像，
Figure FDA0002770449370000073
表示该输出图像经过深度分类器网络的结果，
Figure FDA0002770449370000074
为该输出图像的期望输出结果，K为每批次的大小。
CN201910401740.9A 2019-05-15 2019-05-15 一种基于素描标注信息的生成对抗迁移学习方法 Active CN110210486B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910401740.9A CN110210486B (zh) 2019-05-15 2019-05-15 一种基于素描标注信息的生成对抗迁移学习方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910401740.9A CN110210486B (zh) 2019-05-15 2019-05-15 一种基于素描标注信息的生成对抗迁移学习方法

Publications (2)

Publication Number Publication Date
CN110210486A CN110210486A (zh) 2019-09-06
CN110210486B true CN110210486B (zh) 2021-01-01

Family

ID=67787245

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910401740.9A Active CN110210486B (zh) 2019-05-15 2019-05-15 一种基于素描标注信息的生成对抗迁移学习方法

Country Status (1)

Country Link
CN (1) CN110210486B (zh)

Families Citing this family (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110555060B (zh) * 2019-09-09 2023-05-02 山东省计算中心（国家超级计算济南中心） 基于成对样本匹配的迁移学习方法
CN110610207B (zh) * 2019-09-10 2022-11-25 重庆邮电大学 一种基于迁移学习的小样本sar图像舰船分类方法
CN112733864B (zh) * 2019-09-16 2023-10-31 北京迈格威科技有限公司 模型训练方法、目标检测方法、装置、设备及存储介质
CN110705406B (zh) * 2019-09-20 2022-11-15 五邑大学 基于对抗迁移学习的人脸美丽预测方法及装置
CN110837850B (zh) * 2019-10-23 2022-06-21 浙江大学 一种基于对抗学习损失函数的无监督域适应方法
CN111242157A (zh) * 2019-11-22 2020-06-05 北京理工大学 联合深度注意力特征和条件对抗的无监督域自适应方法
CN111292384B (zh) * 2020-01-16 2022-05-20 西安交通大学 基于生成式对抗网络的跨域多样性图像生成方法及***
CN111275713B (zh) * 2020-02-03 2022-04-12 武汉大学 一种基于对抗自集成网络的跨域语义分割方法
CN111414888A (zh) * 2020-03-31 2020-07-14 杭州博雅鸿图视频技术有限公司 低分辨率人脸识别方法、***、装置及存储介质
CN111598914B (zh) * 2020-05-12 2022-05-06 湖南大学 一种基于不确定性引导的自适应图像分割方法
CN111598160B (zh) * 2020-05-14 2023-04-07 腾讯科技（深圳）有限公司 图像分类模型的训练方法、装置、计算机设备及存储介质
CN111654368B (zh) * 2020-06-03 2021-10-08 电子科技大学 一种基于深度学习生成对抗网络的密钥生成方法
CN111783980B (zh) * 2020-06-28 2023-04-07 大连理工大学 基于双重协作生成式对抗网络的排序学习方法
CN113807529A (zh) * 2020-07-31 2021-12-17 北京沃东天骏信息技术有限公司 机器学习模型的训练方法和装置、图像的分类方法和装置
CN112633579B (zh) * 2020-12-24 2024-01-12 中国科学技术大学 一种基于域对抗的交通流迁移预测方法
CN112699809B (zh) * 2020-12-31 2023-08-01 深圳数联天下智能科技有限公司 痘痘类别识别方法、装置、计算机设备及存储介质
CN112861977B (zh) * 2021-02-19 2024-01-26 中国人民武装警察部队工程大学 迁移学习数据处理方法、***、介质、设备、终端及应用
CN113298855B (zh) * 2021-05-27 2021-12-28 广州柏视医疗科技有限公司 基于自动勾画的图像配准方法
CN114612961B (zh) * 2022-02-15 2023-04-07 哈尔滨工业大学（深圳） 一种多源跨域表情识别方法、装置及存储介质
CN115392484B (zh) * 2022-08-25 2024-07-02 上海人工智能创新中心 用于计算机视觉任务中深度学习算法的数据传递方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109190684A (zh) * 2018-08-15 2019-01-11 西安电子科技大学 基于素描及结构生成对抗网络的sar图像样本生成方法
CN109359541A (zh) * 2018-09-17 2019-02-19 南京邮电大学 一种基于深度迁移学习的素描人脸识别方法
CN109711426A (zh) * 2018-11-16 2019-05-03 中山大学 一种基于gan和迁移学习的病理图片分类装置及方法
WO2019090023A1 (en) * 2017-11-03 2019-05-09 General Electric Company System and method for interactive representation learning transfer through deep learning of feature ontologies

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109190750B (zh) * 2018-07-06 2021-06-08 国家计算机网络与信息安全管理中心 基于对抗生成网络的小样本生成方法及装置

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019090023A1 (en) * 2017-11-03 2019-05-09 General Electric Company System and method for interactive representation learning transfer through deep learning of feature ontologies
CN109190684A (zh) * 2018-08-15 2019-01-11 西安电子科技大学 基于素描及结构生成对抗网络的sar图像样本生成方法
CN109359541A (zh) * 2018-09-17 2019-02-19 南京邮电大学 一种基于深度迁移学习的素描人脸识别方法
CN109711426A (zh) * 2018-11-16 2019-05-03 中山大学 一种基于gan和迁移学习的病理图片分类装置及方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Transfer Feature Learning with Joint Distribution Adaptation;Mingsheng L.等;《2013 IEEE International Conference on Computer Vision》;20140303;第2202-2207页 *
基于生成对抗网络的迁移学习算法研究;臧文华;《中国优秀硕士学位论文全文数据库 信息科技辑》;20180915;第I140-10页 *

Also Published As

Publication number Publication date
CN110210486A (zh) 2019-09-06

Similar Documents

Publication Publication Date Title
CN110210486B (zh) 一种基于素描标注信息的生成对抗迁移学习方法
CN111368896B (zh) 基于密集残差三维卷积神经网络的高光谱遥感图像分类方法
CN110516596B (zh) 基于Octave卷积的空谱注意力高光谱图像分类方法
CN105139395B (zh) 基于小波池化卷积神经网络的sar图像分割方法
CN111079795B (zh) 基于cnn的分片多尺度特征融合的图像分类方法
CN110136154A (zh) 基于全卷积网络与形态学处理的遥感图像语义分割方法
CN106203523A (zh) 基于梯度提升决策树半监督算法融合的高光谱图像分类
CN108846426A (zh) 基于深度双向lstm孪生网络的极化sar分类方法
CN112347970B (zh) 一种基于图卷积神经网络的遥感影像地物识别方法
CN111882040A (zh) 基于通道数量搜索的卷积神经网络压缩方法
CN107292336A (zh) 一种基于dcgan的极化sar图像分类方法
CN103258210B (zh) 一种基于字典学习的高清图像分类方法
CN106203625A (zh) 一种基于多重预训练的深层神经网络训练方法
CN108280396A (zh) 基于深度多特征主动迁移网络的高光谱图像分类方法
CN107832797B (zh) 基于深度融合残差网的多光谱图像分类方法
CN110619059B (zh) 一种基于迁移学习的建筑物标定方法
CN106651887A (zh) 一种基于卷积神经网络的图像像素分类方法
CN112949738B (zh) 基于eecnn算法的多类不平衡高光谱图像分类方法
CN105989336A (zh) 基于带权重的解卷积深度网络学习的场景识别方法
CN108491864A (zh) 基于自动确定卷积核大小卷积神经网络的高光谱图像分类
CN104992183A (zh) 自然场景中的显著目标的自动检测方法
CN109300128A (zh) 基于卷积神经网隐含结构的迁移学习图像处理方法
CN109816030A (zh) 一种基于受限玻尔兹曼机的图像分类方法及装置
CN112416293A (zh) 一种神经网络增强方法、***及其应用
CN106997473A (zh) 一种基于神经网络的图像识别方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant