CN116973872A - 一种基于领域知识聚类的跨域一维距离像识别方法 - Google Patents
一种基于领域知识聚类的跨域一维距离像识别方法 Download PDFInfo
- Publication number
- CN116973872A CN116973872A CN202310889507.6A CN202310889507A CN116973872A CN 116973872 A CN116973872 A CN 116973872A CN 202310889507 A CN202310889507 A CN 202310889507A CN 116973872 A CN116973872 A CN 116973872A
- Authority
- CN
- China
- Prior art keywords
- domain
- cluster
- target
- samples
- clusters
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000013145 classification model Methods 0.000 claims abstract description 24
- 125000004122 cyclic group Chemical group 0.000 claims abstract description 13
- 238000012549 training Methods 0.000 claims description 12
- 238000013507 mapping Methods 0.000 claims description 9
- 238000013508 migration Methods 0.000 claims description 7
- 230000005012 migration Effects 0.000 claims description 7
- 238000012360 testing method Methods 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 5
- 238000003064 k means clustering Methods 0.000 claims description 4
- 238000011156 evaluation Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 claims description 2
- 230000006870 function Effects 0.000 description 7
- 238000011160 research Methods 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
- G01S7/411—Identification of targets based on measurements of radar reflectivity
- G01S7/412—Identification of targets based on measurements of radar reflectivity based on a comparison between measured values and known or stored values
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/88—Radar or analogous systems specially adapted for specific applications
- G01S13/89—Radar or analogous systems specially adapted for specific applications for mapping or imaging
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24133—Distances to prototypes
- G06F18/24137—Distances to cluster centroïds
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Remote Sensing (AREA)
- Theoretical Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Electromagnetism (AREA)
- Probability & Statistics with Applications (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种基于领域知识聚类的跨域一维距离像识别方法,应用于雷达目标识别技术领域。首先,根据不同波段、带宽和分辨率下雷达收集的数据划分有标签的源域数据集(雷达I)和无标签的目标域数据集(雷达II),相应构建基于领域知识聚类的分类模型;其次,通过循环一致匹配判别源域和目标域的公有类别。设计领域共识分数,使目标域无监督聚类的集群数向真实的类别数收敛。最后,分类模型将待识别样本与距离最近的集群相关联,同时输出相应的船舶目标识别结果。本方法能够将可用信息从源域迁移到目标域,弱化对标签空间先验知识的依赖,解决了不同波段、不同带宽雷达间的HRRP分类模型共享困难、迁移泛化能力弱的问题。
Description
技术领域
本发明涉及雷达一维距离像目标识别技术领域。
背景技术
雷达自动目标识别已成为信息化战场态势感知、敌我身份识别和敌方意图预测的重要核心内容,其准确性、稳定性和快速性是态势评估和威胁判定的重要基础。基于HRRP的雷达目标识别相比于其他数据不仅能够提供目标相对于雷达的径向结构信息,同时具有易获取和处理简单的优势,具有较高的研究价值和应用前景。20世纪90年代,美国空军研究实验室利用XPATCH仿真软件专门对各种目标的高分辨距离像建立数据库,为目标识别研究提供了数据源,基于仿真数据的识别结果达到90%以上。
现有的雷达一维距离像分类方法能够有效提取具有判别性的特征,但大多应用场景局限于单一域中,即模型的训练数据集和测试数据集处于同一分布下。基于某一波段、带宽的雷达训练得到的分类模型不能直接应用于其它波段或带宽下雷达的目标识别中,且特定类别船舶的HRRP样本通常难以获得,标注过程需要耗费大量的人力物力,针对每个雷达均重新收集数据并标注是不符合实际的。作为迁移学习的子课题,域自适应旨在从一个或多个相关任务(称为源域)中学习到有用的知识,来提高模型在当前任务(称为目标域)中的性能,可以利用可迁移的知识构建出在目标域上具有泛化性能的目标分类模型。
虽然上述域自适应放宽了对目标域数据标签的需求,但仍存在着一些限制:(1)现有域自适应方法大多假设源域和目标域具有相同的标签空间,这在雷达目标识别应用中同样难以满足,当源域和目标域的标签空间并不完全相同时,这些方法将由于负迁移而导致性能大幅下降;(2)传统无监督聚类方法缺少有效的评估标准,无法收敛到较优的水平;(3)域自适应过程中存在冗余信息的干扰,需要准确区分公有和私有类别样本。
发明内容
为将可用信息从源域迁移到目标域中,弱化对标签空间先验知识的依赖,解决不同波段、不同带宽雷达的舰船HRRP分类模型共享困难、迁移泛化能力弱的问题,本发明基于领域知识聚类提供了一种基于领域知识聚类的跨域一维距离像识别方法,在不对标签空间作出任何假设的前提下,最大限度地从源域数据中提取有价值的信息,构建出可在目标域上泛化的HRRP目标分类模型。
本发明提出一种基于领域知识聚类的跨域一维距离像识别方法,技术方案包括:
步骤一:跨域雷达间知识迁移的问题建模
根据雷达的波段、带宽不同构建出不同的域,用收集到的HRRP数据分别形成有标签的源域历史数据集和无标签的待识别目标域数据集,并利用标准归一化对原始数据进行预处理;构建基于领域知识聚类的分类模型,网络主体包含一个特征提取器Fφ和一个分类器Gφ,Fφ首先将馈入模型的样本的特征映射到一个新的潜在空间中,来自源域的样本会依据不同的类别进行集群划分,并根据公式1计算每个集群的簇中心。
步骤二:循环一致匹配的集群对齐
来自目标域的样本按照不同的K值进行无监督聚类,对于得到的不同集群,分别进行循环一致匹配,如图1所示,对于每个聚类中心,模型会在另一个域中搜索距离其最近的集群中心;与代表私有类别的集群相比,来自于相同类别的集群中心通常离得足够近;如果两个集群的中心同时充当距离对方最近的邻居,这样的一对集群就可以被认为是属于相同船舶类别的集群,称这样的两个集群匹配成功。
步骤三:基于领域共识分数的目标集群确定
为每一轮搜索中的不同K值聚类分别计算领域共识分数,如图2所示,选取最高的共识分数对应的K值作为当前特征分布下目标域的最佳集群数。
步骤四:船舶目标属性分类
根据当前得到的特征分布和集群划分,计算联合损失函数,反向传播损失来更新网络各层的参数,得到新的特征映射方式,随后重复第二步和第三步以迭代训练模型;最终完成优化的Fφ能够形成有类别可分性和域不变性的特征,Gφ能正确区分源域样本;在测试阶段,Fφ将待识别的目标域样本映射至最终优化的特征空间中,计算该样本与训练数据中各目标域集群中心的距离;若距离最近的集群中心属于目标域私有类别,分类模型输出“未知”;若最近的集群中心属于公有类别,模型将输出对应源域类别的船舶类别标签。
进一步的,所述步骤一中的基于领域知识聚类的分类模型由特征提取器Fφ和分类器Gφ;特征提取器Fφ将输入的一维HRRP样本映射到新的特征空间中得到高维特征表示v=Fφ(x),分类器Gφ负责根据v将样本分配给源域类别之一;样本聚类过程中,源域样本的聚类方案是基于真实标签的,源域集群的中心是某一特定源类中样本的平均嵌入;第c个源域集群的簇中心数学表示为:
其中表示该源域集群的样本数目;
对于目标域样本,通过K-means聚类算法将它们分组为K个集群并获得相应的簇中心;针对采集到的目标域样本集,依据不同样本之间的距离大小,将所有样本分为K个簇;假设所有样本完成分配后形成的簇是则K-means的最终优化目标的数学描述如下:
进一步,所述步骤二中的循环一致匹配操作,对于每个聚类中心,模型会在另一个域中搜索距离其最近的集群中心;若两个集群的中心同时充当距离对方最近的邻居,这样一对集群被认为是属于相同船舶类别的集群,称这样的两个集群匹配成功;通过此循环一致匹配操作来识别两个域的公有类别样本,避免私有类别样本的干扰。
进一步,所述步骤三中的领域共识分数,对于给定一对匹配的集群和以及它们相应的中心/>和/>模型需要从源域和目标域两个角度去衡量样本级别的一致性;其中,从源域的角度出发,对于每个源域样本,计算其与所有目标域聚类中心的相似度:
其中Sim(·)表示余弦相似度,源域角度的共识分数表示为达成“共识”的样本比例:
目标集群样本的共识分数以相同方式进行计算,计算源域和目标域两个层面的共识分数的算术平均值得到最终的共识分数;目标域集群数目K需选取不同的值执行多次聚类,然后根据域共识分数确定最佳集群数;对于每个不同的选定的K值,计算其对应的共识分数,并选择分数最高的K值进行后续聚类;模型更新自身网络参数并交替更新集群,依据集群每次更新的领域共识分数指定K;在每一轮的搜索中,领域共识分数随K的增加呈钟形曲线分布,并且在最初几轮搜索后K收敛为一个特定的值;当领域共识分数出现一定次数的连续下降,模型便会停止本轮次的搜索;同时,如果搜索确定的最佳K值在几轮中保持一致,模型便会固定此时的K值作为目标域的聚类集群数。
进一步的,所述步骤四中的联合损失函数L包括源域分类损失Lce和原型正则化Lreg;其中Lce采用交叉熵损失;Lreg增强了目标集群的可判别性;假设表示存储了所有L2正则化后的目标集群中心的原型库,所述原型库中的原型在训练期间按照以下公式进行正则化迭代更新:
其中vi是L2正则化的目标样本的特征向量,τ是控制分布密集程度的温度参数;
联合损失函数L计算如下:
L=Lce+γLreg (7)
γ是用于权衡不同损失项的超参数。
进一步的,所述步骤四中的船舶目标分类基于训练完成的分类模型和集群,在测试阶段,Fφ将待识别的目标域样本映射至最终优化的特征空间中,并计算其与训练数据中各目标域集群中心的距离;若距离最近的集群中心属于目标域私有类别,分类模型输出“未知”;若最近的集群中心属于公有类别,模型将输出对应源域类别的船舶类别标签。
本发明有益效果:
本发明提出了一种基于领域知识聚类的跨域一维距离像识别方法,设计循环一致匹配来挖掘不同域中的公有类别样本,能够在缺乏标签空间先验知识的情况下识别有效信息;然后设计领域共识分数来指导目标域样本进行聚类,聚类策略充分利用了目标域特征的内在结构,以确定目标域集群的真实数量并判别私有类。进一步通过联合损失函数不断迭代更新分类模型,将可用信息从源域迁移到目标域中,并进一步区分私有类本身,改善了缺乏标签空间先验知识时的次优性能,从而解决不同波段、不同带宽雷达的舰船HRRP分类模型共享困难、迁移泛化能力弱的问题。
附图说明
图1是本发明循环一致匹配说明图;
图2是本发明的具体流程;
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
下面结合附图对本发明的应用原理做详细的描述。
实验例:
结合雷达收集的HRRP数据分析为例,雷达I(源域)采集的HRRP数据集是有标签,雷达II(目标域)采集的HRRP数据集是无标签的,两个域所包含的船舶类别并不相同且标签空间关系未知,构造域自适应任务场景验证方法性能。具体步骤如下:
步骤一:跨域雷达间知识迁移的问题建模
设定雷达I采集的HRRP数据集是有标签的,记为源域其中/>和/>分别表示HRRP样本以及相应的船舶类别标签;同时雷达II采集的HRRP数据集是无标签的,且缺少相应的类别先验知识,记为目标域/>I型和II型雷达HRRP数据集包含的船舶类别并不一致,且二者所对应雷达的探测波段、带宽和分辨率不同,收集到的同类样本之间存在着分布差异;为了克服跨域雷达观测所得的HRRP数据的差异性,本发明设计基于领域知识聚类的分类模型来将源域中学到的类别信息迁移到目标域中;模型由特征提取器Fφ和分类器Gφ;特征提取器Fφ将输入的一维HRRP样本映射到新的特征空间中得到高维特征表示v=Fφ(x),分类器Gφ负责根据v将样本分配给源域类别之一。
步骤二:循环一致匹配的集群对齐
对于来自源域和来自于目标域的样本,分别将它们聚类为不同的集群。基于源域样本的真实标签信息将源域数据分组为相应的集群,源域集群的中心是某一特定源类中样本的平均嵌入。第c个源域集群簇中心的数学表示为:
其中表示该源域集群的样本数目;
对于目标域样本,通过K-means聚类算法将它们分组为K个集群并获得相应的簇中心;针对采集到的目标域样本集,该算法会依据不同样本之间的距离大小,将所有样本分为K个簇;假设所有样本完成分配后形成的簇是则K-means的最终优化目标的数学描述如下:
分类模型通过循环一致匹配来学习领域一致性,从而关联跨域的同类别HRRP样本;对于每个聚类中心,模型会在另一个域中搜索距离其最近的集群中心;若两个集群的中心同时充当距离对方最近的邻居,这样一对集群被认为是属于相同船舶类别的集群,称这样的两个集群匹配成功;通过此循环一致匹配操作来识别两个域的公有类别样本,避免私有类别样本的干扰。
步骤三:基于领域共识分数的目标集群确定
设计领域共识分数作为指导目标域收敛到合适的集群数目的评估标准,即确定合适的K值以提高步骤二中循环一致匹配的可信度;在进行循环一致匹配操作后,来自匹配的成对集群中的每个样本会在另一个域中搜索距离其最近的集群中心,然后判断该样本是否达成样本级别的“共识”,即该样本跨域搜索后是否仍匹配了相应的集群标签;通过统计达成“共识”的样本计算领域共识分数,可以评估该成对集群的一致性;
对于给定一对匹配的集群和/>以及它们相应的中心/>和/>模型需要从源域和目标域两个角度去衡量样本级别的一致性;其中,从源域的角度出发,对于每个源域样本,本文计算其与所有目标域聚类中心/>的相似度:
其中Sim(·)表示余弦相似度,源域角度的共识分数表示为达成“共识”的样本比例:
目标集群样本的共识分数也通过相同方式计算出来,计算源域和目标域两个层面的共识分数的算术平均值得到此时的共识分数;
每一轮搜索中选取不同的K执行多次聚类,然后根据域共识分数确定最佳集群数;对于每个不同的选定的K值,计算其对应的共识分数,并选择分数最高的K值进行后续聚类;模型更新自身网络参数并交替更新集群,依据集群每次更新的领域共识分数指定K;在每一轮的搜索中,领域共识分数随K的增加呈钟形曲线分布,并且在最初几轮搜索后K收敛为一个特定的值;当领域共识分数出现一定次数的连续下降,模型便会停止本轮次的搜索;同时,如果搜索确定的最佳K值在几轮中保持一致,模型便会固定此时的K值作为目标域的聚类集群数。
步骤四:船舶目标属性分类
利用联合损失函数迭代更新集群,确保聚类能够向着特征对齐的方向进行;联合损失函数L由源域分类损失Lce和原型正则化Lreg构成;其中Lce采用交叉熵损失;Lreg增强了目标集群的可判别性;具体来说,假设表示存储了所有L2正则化后的目标集群中心的原型库,该原型在训练期间按照以下公式进行正则化迭代更新:
其中vi是L2正则化的目标样本的特征向量,τ是控制分布密集程度的温度参数;
联合损失函数L计算如下:
L=Lce+γLreg (7)
γ是用于权衡不同损失项的超参数;
测试阶段,Fφ将待识别的目标域样本映射至最终优化的特征空间中,并计算其与训练数据中各目标域集群中心的距离;若距离最近的集群中心属于目标域私有类别,分类模型输出“未知”;若最近的集群中心属于公有类别,模型将输出对应源域类别的船舶类别标签。
以上描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (6)
1.一种基于领域知识聚类的跨域一维距离像识别方法,其特征在于:
步骤一:跨域雷达间知识迁移的问题建模:设定某一工作状态下的雷达I采集的HRRP数据集带有标签,记为源域其中/>和/>分别表示HRRP样本以及相应的船舶类别标签,Ns为源域的样本数;同时另一工作状态下的雷达II采集的HRRP数据集不带标签,且缺少相应的类别先验知识,记为目标域/>Nt为源域的样本数;雷达I和雷达II的HRRP数据集包含的船舶类别并不一致,且二者所对应雷达的探测波段、带宽和分辨率不同,收集到的同类样本之间存在着分布差异;
步骤二:循环一致匹配的集群对齐:构建基于领域知识聚类的分类模型,根据输入的HRRP样本输出对应的船舶类别;对于来自源域和来自于目标域的样本,分类模型分别将它们聚类为不同的集群;基于源域样本的真实标签信息将源域数据分组为相应的集群,同时采用K-means聚类算法将无监督的目标域样本分组为K个集群并获得相应的簇中心;分类模型通过循环一致匹配来学习领域一致性,从而关联跨域的同类别HRRP样本;
步骤三:基于领域共识分数的目标集群确定:设计领域共识分数作为指导目标域收敛到合适的集群数目的评估标准,即确定合适的K值以提高步骤二中循环一致匹配的可信度;在进行循环一致匹配操作后,来自匹配的成对集群中的每个样本会在另一个域中搜索距离其最近的集群中心,然后判断所述样本是否达成样本级别的“共识”,即所述样本跨域搜索后是否仍匹配了相应的集群标签;通过统计达成“共识”的样本,可以评估该成对集群的一致性;
步骤四:船舶目标属性分类:利用联合损失函数迭代更新集群,确保聚类能够向着特征对齐的方向进行测试阶段,基于领域知识聚类的分类模型根据雷达采集的目标域待分类一维距离像,利用集群优化完成后的各聚类中心,为每个输入的待分类HRRP样本分配距离其最近的聚类中心所对应的标签;源域和目标域的公有类别和私有类别按此过程自发的分离,同时公有类别的数据可以输出相应的船舶识别结果;若距离最近的集群中心属于目标域私有类别,模型输出“未知”;若最近的集群中心属于公有类别,模型将输出对应源域类别的船舶标签。
2.根据权利要求1所述的基于领域知识聚类的跨域一维距离像识别方法,其特征在于:所述步骤一中的基于领域知识聚类的分类模型由特征提取器Fφ和分类器Gφ;特征提取器Fφ将输入的一维HRRP样本映射到新的特征空间中得到高维特征表示v=Fφ(x),分类器Gφ负责根据v将样本分配给源域类别之一;样本聚类过程中,源域样本的聚类方案是基于真实标签的,源域集群的中心是某一特定源类中样本的平均嵌入;第c个源域集群的簇中心数学表示为:
其中表示该源域集群的样本数目;
对于目标域样本,通过K-means聚类算法将它们分组为K个集群并获得相应的簇中心;针对采集到的目标域样本集,依据不同样本之间的距离大小,将所有样本分为K个簇;假设所有样本完成分配后形成的簇是则K-means的最终优化目标的数学描述如下:
3.根据权利要求1所述的基于领域知识聚类的跨域一维距离像识别方法,其特征在于:所述步骤二中的循环一致匹配操作,对于每个聚类中心,分类模型会在另一个域中搜索距离其最近的集群中心;若两个集群的中心同时充当距离对方最近的邻居,这样一对集群被认为是属于相同船舶类别的集群,称这样的两个集群匹配成功;通过此循环一致匹配操作来识别两个域的公有类别样本,避免私有类别样本的干扰。
4.根据权利要求1所述的基于领域知识聚类的跨域一维距离像识别方法,其特征在于:所述步骤三中的领域共识分数,对于给定一对匹配的集群和/>以及它们相应的中心/>和/>模型需要从源域和目标域两个角度去衡量样本级别的一致性;其中,从源域的角度出发,对于每个源域样本,计算其与所有目标域聚类中心/>的相似度:
其中Sim(·)表示余弦相似度,源域角度的共识分数表示为达成“共识”的样本比例:
目标集群样本的共识分数以相同方式进行计算,计算源域和目标域两个层面的共识分数的算术平均值得到最终的共识分数;
目标域集群数目K需选取不同的值执行多次聚类,然后根据域共识分数确定最佳集群数;对于每个不同的选定的K值,计算其对应的共识分数,并选择分数最高的K值进行后续聚类;模型更新自身网络参数并交替更新集群,依据集群每次更新的领域共识分数指定K;在每一轮的搜索中,领域共识分数随K的增加呈钟形曲线分布,并且在最初几轮搜索后K收敛为一个特定的值;当领域共识分数出现一定次数的连续下降,模型便会停止本轮次的搜索;同时,如果搜索确定的最佳K值在几轮中保持一致,模型便会固定此时的K值作为目标域的聚类集群数。
5.根据权利要求1所述的基于领域知识聚类的跨域一维距离像识别方法,其特征在于:所述步骤四中的联合损失函数L包括源域分类损失Lce和原型正则化Lreg;其中Lce采用交叉熵损失;Lreg增强了目标集群的可判别性;假设表示存储了所有L2正则化后的目标集群中心的原型库,所述原型库中的原型在训练期间按照以下公式进行正则化迭代更新:
其中vi是L2正则化的目标样本的特征向量,τ是控制分布密集程度的温度参数;
联合损失函数L计算如下:
L=Lce+γLreg (7)
γ是用于权衡不同损失项的超参数。
6.根据权利要求1所述的基于领域知识聚类的跨域一维距离像识别方法,其特征在于:所述步骤四中的船舶目标分类基于训练完成的分类模型和集群,在测试阶段,Fφ将待识别的目标域样本映射至最终优化的特征空间中,计算样本与训练数据中各目标域集群中心 的距离;若距离最近的集群中心属于目标域私有类别,分类模型输出“未知”;若最近的集群中心属于公有类别,模型将输出对应源域类别的船舶类别标签。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310889507.6A CN116973872A (zh) | 2023-07-19 | 2023-07-19 | 一种基于领域知识聚类的跨域一维距离像识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310889507.6A CN116973872A (zh) | 2023-07-19 | 2023-07-19 | 一种基于领域知识聚类的跨域一维距离像识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116973872A true CN116973872A (zh) | 2023-10-31 |
Family
ID=88472387
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310889507.6A Pending CN116973872A (zh) | 2023-07-19 | 2023-07-19 | 一种基于领域知识聚类的跨域一维距离像识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116973872A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117668576A (zh) * | 2023-11-22 | 2024-03-08 | 太极计算机股份有限公司 | 一种分层聚类共识构架的逻辑处理方法 |
-
2023
- 2023-07-19 CN CN202310889507.6A patent/CN116973872A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117668576A (zh) * | 2023-11-22 | 2024-03-08 | 太极计算机股份有限公司 | 一种分层聚类共识构架的逻辑处理方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113378632B (zh) | 一种基于伪标签优化的无监督域适应行人重识别方法 | |
WO2021134871A1 (zh) | 基于局部二值模式和深度学习的合成人脸图像取证方法 | |
CN108052966A (zh) | 基于卷积神经网络的遥感图像场景自动提取和分类方法 | |
CN105354578B (zh) | 一种多目标物体图像匹配方法 | |
CN110851645A (zh) | 一种基于深度度量学习下相似性保持的图像检索方法 | |
CN115019123B (zh) | 一种遥感图像场景分类的自蒸馏对比学习方法 | |
CN112633382A (zh) | 一种基于互近邻的少样本图像分类方法及*** | |
Chen et al. | Hard sample mining makes person re-identification more efficient and accurate | |
CN106203483A (zh) | 一种基于语义相关多模态映射方法的零样本图像分类方法 | |
CN116973872A (zh) | 一种基于领域知识聚类的跨域一维距离像识别方法 | |
Jiang et al. | Delving into sample loss curve to embrace noisy and imbalanced data | |
CN105046323B (zh) | 一种正则化rbf网络多标签分类方法 | |
CN108805102A (zh) | 一种基于深度学习的视频字幕检测与识别方法及*** | |
CN115620160A (zh) | 基于多分类器对抗主动迁移学习的遥感图像分类方法 | |
CN113221065A (zh) | 数据密度估计及回归方法、相应装置、电子设备、介质 | |
CN116910571A (zh) | 一种基于原型对比学习的开集域适应方法及*** | |
CN113269274B (zh) | 一种基于循环一致性的零样本识别方法及*** | |
CN113723572A (zh) | 船只目标识别方法、计算机***及程序产品、存储介质 | |
WO2024082374A1 (zh) | 一种基于层级化元迁移的小样本雷达目标识别方法 | |
CN116340846A (zh) | 一种弱监督下多示例多标签学习的混叠调制信号识别方法 | |
CN114067155B (zh) | 基于元学习的图像分类方法、装置、产品及存储介质 | |
CN116664826A (zh) | 一种小样本点云语义分割方法 | |
CN115661504A (zh) | 基于迁移学习和视觉词包的遥感样本分类方法 | |
CN112329798B (zh) | 一种基于优化视觉词袋模型的图像场景分类方法 | |
Wang et al. | Towards adaptive unknown authentication for universal domain adaptation by classifier paradox |
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 |