基于动态加权学习和元学习的无监督域适应图像分类方法与流程

技术特征：
1.一种基于动态加权学习和元学习的无监督域适应图像分类方法，其特征在于，其包括如下步骤：步骤1)样本加权：对源域和目标域的每个样本进行加权处理，样本的权重与它们在这两个域中总样本量的比例成反比；步骤2)构造动态平衡因子：采用最大平均差异mmd计算源域和目标域数据分布对齐程度，采用线性判别分析lda计算源域和目标域的可判别性，对这两个估计值进行归一化处理，计算平衡因子τ；步骤3)计算域对齐损失：将域对齐任务放在元训练中，计算域对齐损失，更新网络参数；步骤4)计算分类损失：将分类任务放在元测试中，计算分类损失，通过元优化计算模型总损失，更新模型参数。2.根据权利要求1所述的无监督域适应图像分类方法，其特征在于，步骤1)中，所述对源域和目标域的每个样本进行加权处理的方法如下：根据式(1)进行样本加权，得到加权后的样本和所述样本加权算法如下：其中，α∈(0,1]是控制样本加权程度的超参数，n
s
和n
t
分别代表源域和目标域的样本数量，和分别表示源域和目标域的样本。3.根据权利要求2所述的无监督域适应图像分类方法，其特征在于，步骤2)中，所述构造动态平衡因子具体包括如下步骤：步骤2
‑
1)根据式(2)计算源域和目标域之间的数据分布对齐程度：其中，分别是提取源域和目标域的特征，较小的最大平均差异mmd(d
s
,d
t
)意味着更好的对齐程度；步骤2
‑
2)根据式(3)计算源域和目标域的可判别性：其中，s
b
是类间散射矩阵，s
w
是类内散射矩阵，j(w)的值是类间散射矩阵比上类内散射矩阵，j(w)的值越大，代表每两个类间的距离相比于每个类的类内距离越大，即对每个类都有较大的可识别性，因此较大的j(w)意味着更好的可辨别性。步骤2
‑
3)根据式(4)对式(2)和式(3)做归一化处理：
其中，式(2)和式(3)计算的值通常不在一个数量级，为了合理的将这两个值规范化，我们将其进行线性变化，并将结果映射到[0,1]范围内；步骤2
‑
4)根据式(5)计算出动态平衡因子τ：其中，较小的表示更好的域对齐，较小的表示更好的可判别性；当对齐程度远优于可判别性时，接近0，接近1，τ接近0；当对齐程度远低于可判别性时，接近1，接近0，τ接近1。4.根据权利要求3所述的无监督域适应图像分类方法，其特征在于，步骤3)中，所述计算域对齐损失，根据式(6)更新网络参数θ：其中，θ
m
表示m
th
∈{1,...,m}组的参数。5.根据权利要求4所述的无监督域适应图像分类方法，其特征在于，步骤4)中，所述计算分类损失，通过元优化计算模型总损失，更新模型参数。

技术总结
本发明公开了一种基于动态加权学习和元学习的无监督域适应图像分类方法，属于迁移学习中的域适应领域。其包括以下步骤:步骤1)样本加权；步骤2)构造动态平衡因子：采用最大平均差异(MMD)计算源域和目标域数据分布对齐程度，采用线性判别分析(LDA)计算源域和目标域的可判别性，对这两个估计值进行归一化处理，计算平衡因子τ；步骤3)计算域对齐损失：将域对齐任务放在元训练中，计算域对齐损失，更新网络参数；步骤4)计算分类损失，更新模型参数。该方法通过对样本加权、动态调整域对齐损失和分类损失的权重、通过元学习计算域对齐损失和分类损失优化网络模型参数，促进域对齐任务和分类任务之间的优化一致性。分类任务之间的优化一致性。分类任务之间的优化一致性。


技术研发人员：田青 杨宏 朱雅喃 薛晓妹 储奕
受保护的技术使用者：南京信息工程大学
技术研发日：2021.07.01
技术公布日：2021/11/4