CN109344871A - 一种基于多源领域融合迁移学习的目标分类识别方法 - Google Patents
一种基于多源领域融合迁移学习的目标分类识别方法 Download PDFInfo
- Publication number
- CN109344871A CN109344871A CN201811000264.1A CN201811000264A CN109344871A CN 109344871 A CN109344871 A CN 109344871A CN 201811000264 A CN201811000264 A CN 201811000264A CN 109344871 A CN109344871 A CN 109344871A
- Authority
- CN
- China
- Prior art keywords
- sample
- domain
- source
- classification
- target
- 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
Classifications
-
- 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
- G06F18/25—Fusion techniques
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种基于多源领域融合迁移学习的目标分类识别方法,确定至少两个源领域和目标领域,计算出每个源领域和目标领域之间的第一分布距离;将每个源领域和目标领域进行匹配,根据每个匹配结果对目标领域中的样本进行分类,得出该样本的第一分类结果;计算出第二分布距离;根据第一分布距离和第二分布距离计算出每个匹配结果的可靠度;根据每个第一分类结果结合对应的可靠度进行计算,得出该样本在对应源领域基础上的n个第二分类结果;融合多个第二分类结果,得出该样本的最终分类结果;本发明采用加权DS规则融合多个第二分类结果,解决了单源领域迁移学习正确率不够高的问题。
Description
【技术领域】
本发明属于目标识别技术领域,尤其涉及一种基于多源领域融合迁移学习的目标分类识别方法。
【背景技术】
在机器学习领域,传统的分类识别算法通常要求训练样本和测试样本服从独立同分布并且特征空间相同,在实际应用中这两个条件往往很难同时满足,迁移学习作为一种新的机器学习框架放宽了传统机器学习的条件限制。迁移学习是利用其它相关领域(源领域)中的训练样本来辅助目标领域中样本的分类识别,源领域中有充足的有标签的训练样本然而目标领域中有标签的样本很少甚至没有,并且这两个领域中的样本不服从独立同分布条件或者特征空间不相同或者分布和特征空间都不一样。在实际应用中经常会出现所关心的领域(目标领域)有标签的训练样本很少或者人为标注这些样本成本太高的情形,这时如果能利用源领域中有标签的训练样本来辅助目标领域中的分类识别将有效的节省人力财力。
针对特征空间相同但样本分布不一致的情形,迁移学习通过匹配源领域和目标领域之间的分布,采用降维的手段将原始的样本变换到一个低维的特征空间中,在该特征空间中两个领域中的样本分布近似一致,在该特征空间里传统的机器学习方法就可以使用了。由于源领域和目标领域的分布存在着一定的差异,并且降维操作导致源领域损失了一些有用的信息,所以采用迁移学习方法得到的分类识别正确率受到类似这些因素的影响。
【发明内容】
本发明的目的是提供一种基于多源领域融合迁移学习的目标分类识别方法,采用加权DS规则融合多个源领域的分类结果,解决了单源领域迁移学习正确率不够高的问题。
本发明采用以下技术方案:一种基于多源领域融合迁移学习的目标分类识别方法,具体包括以下步骤:
步骤1、确定至少两个源领域和目标领域,计算出每个源领域和目标领域之间的第一分布距离;
步骤2、将每个源领域分别和目标领域进行匹配,根据每个匹配结果对目标领域中的样本进行分类,得出该样本的n个第一分类结果m1,…,mn;
步骤3、计算出每个源领域和目标领域匹配之后的第二分布距离;
步骤4、根据第一分布距离和第二分布距离计算出每个第一分类结果的可靠度;
步骤5、根据每个第一分类结果结合对应的可靠度进行计算,得出该样本在对应源领域基础上的n个第二分类结果;
步骤6、采用加权DS融合规则,融合多个第二分类结果,得出该样本的最终分类结果。
进一步地,步骤1中具体方法为:
步骤1.1、确定n个源领域中的标签样本分别为其中,表示第i个源领域的数据集,Nn为第n个源领域中标签样本的个数,表示第i个源领域中第p个样本对应的属性,第i个源领域中第p个样本对应的真实标签;
确定目标领域中无标签样本为其中,DT表示目标领域的数据集,NT表示目标领域中无标签样本的个数,表示目标领域中第q个样本对应的属性;
步骤1.2、将n个源领域中的标签样本添加第一标记,得到
为第一标记;将目标领域中的无标签样本添加第二标记,得到其中,表示第二标记;
步骤1.3、将n个源领域中的添加第一标记后的标签样本分别和目标领域中添加第二标记后的样本混合为新的样本集,得出n个新的样本集表示为
其中,xg表示对应的新的样本集中的第g个样本对应的属性,表示对应的新的样本集中的第g个样本对应的标记,Ni+NT表示对应的新的样本集中样本的个数;
步骤1.4、利用新的样本集训练分类器,得出第i个新的样本集对应的分类损失C表示训练得到的分类器,C(xg)表示通过分类器C对样本分类后得到的样本标签,且有C(xg)∈{0,1};根据得到的分类损失,计算得出n个第一分布距离
进一步地,步骤3的具体方法为:
步骤3.1、通过映射矩阵Ai分别对每个源领域和目标领域中的样本进行降维,得出
步骤3.2、采用步骤1.2-步骤1.4的方法对降维后的源领域和目标领域中的样本进行处理,得到n个第二分布距离其中为匹配之后的第i个源领域的样本集,为和第i个源领域匹配之后的目标领域的样本集。
进一步地,步骤4的具体方法为:
通过计算出第一分布距离和对应的第二分布距离的几何均值,通过计算得出第i个第一分类结果的可靠度,其中,
进一步地,步骤5中具体通过计算得出n个第二分类结果
进一步地,步骤6中具体通过计算得出目标领域中的样本的最终分类结果
本发明的有益效果是:通过基于多源领域融合迁移学习的思想实现目标样本的分类识别,并解决单源领域迁移学习正确率不高的问题;在评估基于多个源领域的分类结果可靠度时利用源领域和目标领域分布差异,估计了由于多个源领域和目标领域分布差异程度不一致导致的分类结果可靠度不一样的问题;考虑源领域和目标领域匹配之前和匹配之后的分布距离,将这两个距离结合起来估计可靠度,比只采用匹配之前分布距离来评估可靠度更加合理;应用加权DS融合规则,实现基于多个源领域的目标领域中样本分类结果的融合,该方法充分地利用多个分类结果之间的互补信息并减小冲突程度来提高基于单源领域的分类精度。
【附图说明】
图1为基于多源领域融合迁移学习的目标分类识别方法流程图;
图2为源领域和目标领域样本分布差异小的情形图;
图3为源领域和目标领域样本分布差异大的情形图;
图4为计算源领域和目标领域分布距离均值的算法流程图;
图5为本发明实施例中四个领域中不同的笔记本图片示意图。
【具体实施方式】
下面结合附图和具体实施方式对本发明进行详细说明。
针对领域分布不一致情形下的迁移学习,当可以获得多个源领域时,如果能将多个源领域中有用的信息融合起来,将有效的提升目标分类识别的正确率。
我们在实际应用中经常会出现多个源领域,目标领域中的样本通过与不同的源领域进行匹配能获得多个分类结果,多个源领域提供的信息比单个源领域提供的多,所以我们提出了一种多源领域融合迁移学习的技术,即利用多个源领域提供的分类结果,采用证据推理中的加权DS融合规则将多个分类结果融合来辅助目标领域中样本的分类识别,通过度量源领域和目标领域之间的分布差异来估计权重。那么相比于单源领域的迁移学习,多源领域融合迁移学习的分类识别正确率有望得到有效提升。
本发明就是基于这种思想来进行多源领域融合迁移学习的分类识别。为了有效的利用不同分类结果提供的互补信息并减小冲突的影响,利用领域间的分布距离估计分类结果的可靠度,对基于多个源领域的分类结果进行加权融合,获得最终的分类识别结果,提出了一种基于多源领域融合迁移学习的目标分类识别方法,具体流程如图1所示,包括以下步骤:
步骤1、确定至少两个源领域和目标领域,计算出每个源领域和目标领域之间的第一分布距离。由于不同的源领域和目标领域之间相似程度不一样,即样本分布差异程度是不一样的,差异程度越小表明源领域和目标领域之间越相似,越相似则表明该源领域为在目标领域的样本提供的有用信息就越多,相应的得到的分类结果可靠性就越高。目前有很多度量分布差异的准则,本发明采用一种叫做A-distance的度量方法来估计源领域和目标领域分布间的距离,A-distance的思想就是采用二分类的处理办法来判别样本是来自源领域还是目标领域,如果两个领域之间的分布差异很大则很容易区分,相反的差异很小就很难区分,这种现象如图3和图4所示。具体方法为:
步骤1.1、确定n个源领域中的标签样本分别为其中,表示第i个源领域的数据集,Nn为第n个源领域中标签样本的个数,表示第i个源领域中第p个样本的对应属性,第i个源领域中第p个样本对应的真实标签。
确定目标领域中无标签样本为其中,NT表示目标领域中无标签样本的个数,DT表示目标领域的数据集,NT表示目标领域中无标签样本的个数,表示目标领域中第q个样本的属性。
步骤1.2、具体估计分布距离时,将源领域中的样本添加第一标记0,标注为0的样本表明其来自源领域,将标注的n个源领域中的标签样本记为
其中,为第一标记,表示样本来自源领域。
将目标领域中的无标签样本添加第二标记1,标注为1的样本表明其来自目标领域,得到其中,为第二标记。
步骤1.3、将n个源领域中的添加第一标记后的标签样本分别和目标领域中添加第二标记后的样本进行混合,即得出n个新的样本集表示为
其中,xg表示对应的新的样本集中的第g个样本对应的属性,表示对应的新的样本集中的第g个样本对应的标记,Ni+NT表示对应的新的样本集中样本的个数。
步骤1.4、这些混合之后的n个数据集合可以用K-NN分类器分别训练识别样本来自哪个领域,针对第i个混合数据集进行分类识别,得第i个新的样本集对应的分类损失C表示训练的分类器,C(xg)表示通过分类器C对样本分类后得到的样本标签,且C(xg)∈{0,1}。
根据分类损失,计算得出第i个源领域和目标领域的第一分布距离即n个第一分布距离。这个距离反映了源领域和目标领域中原始数据之间的差异程度。
步骤2、将每个源领域和目标领域进行匹配,根据每个匹配结果对目标领域中的样本进行分类,得出该样本的n个第一分类结果m1,…,mn。
针对源领域和目标领域样本分布不一致的情形,目前有很多匹配不同分布的迁移学习方法,最典型的匹配方法有Transfer Component Analysis(TCA),JointDistribution Adaptation(JDA),Transfer Joint Match(TJM),Balanced DistributionAdaptation(BDA)等。本发明在进行分布匹配时选择其中一种匹配方法进行操作即可。
对于n个不同的源领域和一个目标领域DT,将第i个源领域分别和目标领域做匹配,然后得到目标领域中每一个样本的n种不同的分类结果。
步骤3、计算出每个源领域和目标领域匹配之后的第二分布距离。源领域和目标领域匹配分布之后,它们之间的分布很相近,但是分布依然不是完全一样的即样本并不是完全独立同分布的,所以匹配之后的分布还是有一定的差异的,具体方法为:
步骤3.1、匹配算法是通过映射矩阵Ai分别对每个源领域和目标领域中的样本进行降维,即将第i个源领域和目标领域中所有样本特征都变换到一个低维空间中,得出
步骤3.2、采用步骤1.2-步骤1.4的方法对降维后的源领域和目标领域中的样本进行处理,即先对这些样本进行标注,分别得到和将两个样本进行混合,得到混合后的使用K-NN分类器(为分类器C的一种)对该混合后的样本集训练,得到分类损失再根据该分类损失计算得到第i个源领域与目标领域的第二分布距离这个距离反映了分布匹配之后源领域和目标领域间的差异程度,其中,为匹配之后的第i个源领域的数据集的样本集,为与第i个源领域匹配之后的目标领域的样本集。
步骤4、根据第一分布距离和第二分布距离计算出每个匹配结果的可靠度。在获得两种距离之后,用两个分布距离的几何均值作为最终的分布距离,计算源领域和目标领域之间分布距离均值的算法流程图如图4所示。
通过计算出第一分布距离和对应的第二分布距离的几何均值,通过计算得出每个对应匹配结果的第一分类结果的可靠度,其中,βi代表第i个源领域和目标领域匹配之后获得的分类结果的可靠度大小,由公式可以看出分布距离最小时对应的分类结果可靠度为1,距离越大对应的可靠度就越小。
步骤5、根据每个第一分类结果结合对应的可靠度进行计算,得出该样本在对应源领域基础上的n个第二分类结果。
具体的通过计算得出n个第二分类结果
步骤6、采用加权DS融合规则,融合多个第二分类结果,得出该样本的最终分类结果。具体通过计算得出目标领域中的样本的最终分类结果。
针对c类样本的分类问题,将这些类别看成证据推理框架下的元素可以得到辨识框架Ω={ω1,ω2,…,ωc},Ω的表示目标样本的目标类别的总数,Ω的所有子集构成的集合称为Ω的幂集表示为2Ω。如果辨识框架中只有三个元素Ω={ω1,ω2,ω3},
那么2Ω={φ,ω1,ω2,ω3,{ω1,ω2},{ω1,ω3},{ω2,ω3},Ω},一个证据的基本信任指派(Basic BeliefAssignment,BBA)就是从2Ω到[0,1]的一个映射函数m(·),并且满足下列条件A∈2Ω,它表示幂集中的某一个,将满足m(A)>0的元素A称为焦元,本发明考虑的初始分类输出结果中包含的都是单元素,即所有焦元的集合为{ω1,…,ωc}。
从n个源领域得到的分类结果可以看成是证据推理框架下的n个证据(即第一分类结果)m1,…,mn,由于分类结果的可靠度是不一样的,即这些证据不能直接融合,所以直接使用DS融合规则不太合理,需要使用加权DS融合规则来融合这n个证据。折扣系数采用上面估计的可靠度βi,直接将第i个源领域和目标领域匹配之后得到的分类结果(属于每个类别的概率)作为证据推理框架下的一个证据,得到其对应的基本信任指派mi,将可靠度作为加权系数,用加权系数得到折扣后得到的基本信任指派为
从折扣公式可以看出,折扣掉的信息都分给了未知类。当折扣系数βi=1时,表示这个证据是完全可信的,折扣后结果和原来的BBA一样即当折扣系数βi=0时,表示这个证据完全不可信,将折扣掉的信息全部分给未知类,在融合的过程中该证据对最终结果没有任何影响。
融合两个证据的经典DS融合规则如下,该融合公式满足结合律和交换律,针对多个证据的融合可以按照公式依次融合。
将折扣后的n个证据的基本信任指派依次进行融合,最终结果表示为即可得出最终的目标样本的分类结果。
针对c类样本的识别,该融合结果表示目标样本在n个证据的条件下得到的属于每一个类别的信任指派,将待分类的目标样本分给这些基本信任指派值最大的那一类即ω=argmax(m(ωi)),i=1,…c。
实施例1:假设需要识别的目标样本类别数为3,即辨识框架为Ω={ω1,ω2,ω3},存在三个源领域和一个目标领域,通过经典的迁移学习算法得到初始的分类结果作为三个证据(第一分类结果),将每个证据的信任指派取为
m1(ω1)=0.5,m2(ω2)=0.3,m3(ω3)=0.2;
m2(ω1)=0.6,m2(ω2)=0.2,m(ω3)=0.2;
m3(ω1)=0.2,m3(ω2)=0.5,m3(ω3)=0.3;
为了说明的方便将映射之前和映射之后计算得到的距离直接给出为
根据上面的两个距离得到最终距离为由估计的距离得到的折扣系数(第一分类结果的可靠度)为
β1=1,β2=0.6774,β3=0.6862。将三个证据进行加权融合得到最终的基本信任指派(最终分类结果)为
m(ω1)=0.5439,m(ω2)=0.2986,m(ω3)=0.1575;
比较可知该目标样本应该分为ω1类。得到的三个证据中前两个证据支持分为ω1,只有证据三支持ω2,没有证据支持ω3。如果只有单个源领域即只得到三个证据中的某一个例如证据三则很有可能导致分类错误,加权融合的方法得到的结果更好。
实施例2:假设通过迁移学习得到的基本信任指派(第一分类结果)为
m1(ω1)=0.7,m2(ω2)=0.1,m3(ω3)=0.2;
m2(ω1)=0.2,m2(ω2)=0.2,m(ω3)=0.6;
m3(ω1)=0.2,m3(ω2)=0.5,m3(ω3)=0.3;
其余的参数和实施例1中提到的一样。观察可知,此时的三个证据分别支持ω1,ω3,ω2,如果只考虑一个源领域的话,会得到三个证据中的某一个证据,然而这三个证据支持的类别不一样,显然只有一个证据的时候得到的分类结果很容易出错即单个源领域分类结果出错几率很大。所以采用加权融合的方法得到的信任指派(最终分类结果)为
m(ω1)=0.5774,m(ω2)=0.1201,m(ω3)=0.3208;
目标样本被分给ω1类,该结果比只考虑单个源领域的分类结果要好,出错的几率变小。
仿真例:
选用迁移学习中的基础数据集Office+Caltech10作为实验对象。这些图片的标签一共有10种,分别来自四个领域Amazon(从亚马逊下载的图片),Caltech(从谷歌下载的图片),DSLR(高分辨率数字相机拍摄的图片),Webcam(低分辨率的网络摄像机拍摄的图片)。
采用这些图片的SURF特征进行分类识别,数据集的基础信息见图5和表1。根据图5可知,四个领域中的笔记本从肉眼看有明显的区别,Amazon图片中不包含任何背景,看着很清晰;Caltech领域中的笔记本图片有些有背景有些没有并且清晰度没有Amazon领域的高;DSLR是高分辨率的数码摄像机拍摄的照片,存在着明显的背景;Webcam领域的笔记本照片是用低分辨率的网络摄像头获得的照片,分辨率较低同时存在明显的背景。四种领域的图片得到的SURF特征向量的分布是有明显区别的。
表1数据集基本信息
领域 | 特征数 | 样本数 | 类别数 |
Amazon(A) | 800 | 958 | 10 |
Caltech(C) | 800 | 1123 | 10 |
DSLR(D) | 800 | 157 | 10 |
Webcam(W) | 800 | 295 | 10 |
做对比实验时选用四种经典的迁移学习算法作为本实验的基算法:TransferComponent Analysis(TCA),Joint Distribution Adaptation(JDA),Transfer JointMatch(TJM),Balanced Distribution Adaptation(BDA);选用一种传统分类方法和四种融合方法验证本发明提出的加权DS融合算法有效性:
●5NN:源领域中的样本作为训练集,目标领域中的样本作为测试集;
●Vote(V):根据n个证据得到的信任指派,不采用融合的算法,直接将类别归为支持数目最多的那一类;
●Average Fusion(AF):得到的n个证据的信任指派,求这这些证据对每一个类信任指派的均值;
●DS Fusion rule(DS):将n个证据的基本信任指派直接采用DS融合规则进行融合操作,获得最终融合结果。
●Weighted DS Fusion rule(WDS):将得到的n个证据的基本置信指派结果采用加权DS融合规则进行融合,将估计的可靠度作为权重系数。
对比实验将四个领域中三个作为源领域剩下一个的作为目标领域,这样就存在四种不同融合迁移类型的组合:CDW->A,ADW->C,ACW->D,ACD->W。同时还可以得到12种跨领域图像分类的组合:C->A,D->A,W->A,…,A->W,C->W,D->W。基算法中的分类器选择5NN分类器,对比实验的结果见表2至5。
表2基于TCA的不同融合方法的分类正确率(%)
根据表2可知,基于TCA的四组对比实验的结果中WDS算法有两组效果比单源领域的迁移学习要好,整体的平均正确率是提升的。
表3基于JDA的不同融合方法的分类正确率(%)
根据表3可知基于JDA的四组对比实验的结果中WDS算法有四组效果比单源领域的迁移学习要好,整体的平均正确率是提升的。
表4基于TJM的不同融合方法的分类正确率(%)
根据表4可知,基于TJM的四组对比实验的结果中WDS算法有四组效果比单源领域的迁移学习要好,整体的平均正确率是提升的。
表5基于BDA的不同融合方法的分类正确率(%)
基于BDA的四组对比实验的结果中WDS算法有四组效果比单源领域的迁移学习要好,整体的平均正确率是提升的。
Claims (6)
1.一种基于多源领域融合迁移学习的目标分类识别方法,其特征在于,具体包括以下步骤:
步骤1、确定至少两个源领域和目标领域,计算出每个源领域和目标领域之间的第一分布距离;
步骤2、将每个源领域分别和目标领域进行匹配,根据每个匹配结果对目标领域中的样本进行分类,得出该样本的n个第一分类结果m1,…,mn;
步骤3、计算出每个源领域和目标领域匹配之后的第二分布距离;
步骤4、根据第一分布距离和第二分布距离计算出每个第一分类结果的可靠度;
步骤5、根据每个第一分类结果结合对应的可靠度进行计算,得出该样本在对应源领域基础上的n个第二分类结果;
步骤6、采用加权DS融合规则,融合多个第二分类结果,得出该样本的最终分类结果。
2.如权利要求1所述的一种基于多源领域融合迁移学习的目标分类识别方法,其特征在于,步骤1中具体方法为:
步骤1.1、确定n个源领域中的标签样本分别为其中,表示第i个源领域的数据集,Nn为第n个源领域中标签样本的个数,表示第i个源领域中第p个样本对应的属性,第i个源领域中第p个样本对应的真实标签;
确定目标领域中无标签样本为其中,DT表示目标领域的数据集,NT表示目标领域中无标签样本的个数,表示目标领域中第q个样本对应的属性;
步骤1.2、将n个源领域中的标签样本添加第一标记,得到 为第一标记;将目标领域中的无标签样本添加第二标记,得到其中,表示第二标记;
步骤1.3、将n个源领域中的添加第一标记后的标签样本分别和目标领域中添加第二标记后的样本混合为新的样本集,得出n个新的样本集表示为
其中,xg表示对应的新的样本集中的第g个样本对应的属性,表示对应的新的样本集中的第g个样本对应的标记,Ni+NT表示对应的新的样本集中样本的个数;
步骤1.4、利用新的样本集训练分类器,得出第i个新的样本集对应的分类损失C表示训练得到的分类器,C(xg)表示通过分类器C对样本分类后得到的样本标签,且有C(xg)∈{0,1};根据得到的分类损失,计算得出n个第一分布距离
3.如权利要求2所述的一种基于多源领域融合迁移学习的目标分类识别方法,其特征在于,步骤3的具体方法为:
步骤3.1、通过映射矩阵Ai分别对每个源领域和目标领域中的样本进行降维,得出
步骤3.2、采用步骤1.2-步骤1.4的方法对降维后的源领域和目标领域中的样本进行处理,得到n个第二分布距离其中为匹配之后的第i个源领域的样本集,为和第i个源领域匹配之后的目标领域的样本集。
4.如权利要求3所述的一种基于多源领域融合迁移学习的目标分类识别方法,其特征在于,步骤4的具体方法为:
通过计算出第一分布距离和对应的第二分布距离的几何均值,通过计算得出第i个第一分类结果的可靠度,其中,
5.如权利要求4所述的一种基于多源领域融合迁移学习的目标分类识别方法,其特征在于,步骤5中具体通过计算得出n个第二分类结果
6.如权利要求5所述的一种基于多源领域融合迁移学习的目标分类识别方法,其特征在于,步骤6中具体通过计算得出目标领域中的样本的最终分类结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811000264.1A CN109344871A (zh) | 2018-08-30 | 2018-08-30 | 一种基于多源领域融合迁移学习的目标分类识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811000264.1A CN109344871A (zh) | 2018-08-30 | 2018-08-30 | 一种基于多源领域融合迁移学习的目标分类识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109344871A true CN109344871A (zh) | 2019-02-15 |
Family
ID=65292030
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811000264.1A Pending CN109344871A (zh) | 2018-08-30 | 2018-08-30 | 一种基于多源领域融合迁移学习的目标分类识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109344871A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110084263A (zh) * | 2019-03-05 | 2019-08-02 | 西北工业大学 | 一种基于信任的多框架异构数据融合识别方法 |
CN110163272A (zh) * | 2019-05-14 | 2019-08-23 | 苏州大学 | 基于大数据分析的双子空间特征迁移学习方法及装置 |
CN110398986A (zh) * | 2019-04-28 | 2019-11-01 | 清华大学 | 一种多源数据迁移的无人机密集树林感知技术 |
CN110543860A (zh) * | 2019-09-05 | 2019-12-06 | 燕山大学 | 基于tjm迁移学习的机械故障诊断方法及系统 |
CN111027870A (zh) * | 2019-12-14 | 2020-04-17 | 支付宝(杭州)信息技术有限公司 | 用户风险评估方法及装置、电子设备、存储介质 |
CN115270997A (zh) * | 2022-09-20 | 2022-11-01 | 中国人民解放军32035部队 | 基于迁移学习的火箭目标姿态稳定判别方法及相关装置 |
-
2018
- 2018-08-30 CN CN201811000264.1A patent/CN109344871A/zh active Pending
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110084263A (zh) * | 2019-03-05 | 2019-08-02 | 西北工业大学 | 一种基于信任的多框架异构数据融合识别方法 |
CN110084263B (zh) * | 2019-03-05 | 2021-04-30 | 西北工业大学 | 一种基于信任的多框架异构数据融合识别方法 |
CN110398986A (zh) * | 2019-04-28 | 2019-11-01 | 清华大学 | 一种多源数据迁移的无人机密集树林感知技术 |
CN110163272A (zh) * | 2019-05-14 | 2019-08-23 | 苏州大学 | 基于大数据分析的双子空间特征迁移学习方法及装置 |
CN110163272B (zh) * | 2019-05-14 | 2022-04-05 | 苏州大学 | 双子空间特征迁移学习方法 |
CN110543860A (zh) * | 2019-09-05 | 2019-12-06 | 燕山大学 | 基于tjm迁移学习的机械故障诊断方法及系统 |
CN110543860B (zh) * | 2019-09-05 | 2022-06-07 | 燕山大学 | 基于tjm迁移学习的机械故障诊断方法及系统 |
CN111027870A (zh) * | 2019-12-14 | 2020-04-17 | 支付宝(杭州)信息技术有限公司 | 用户风险评估方法及装置、电子设备、存储介质 |
WO2021114911A1 (zh) * | 2019-12-14 | 2021-06-17 | 支付宝(杭州)信息技术有限公司 | 用户风险评估方法及装置、电子设备、存储介质 |
CN115270997A (zh) * | 2022-09-20 | 2022-11-01 | 中国人民解放军32035部队 | 基于迁移学习的火箭目标姿态稳定判别方法及相关装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109344871A (zh) | 一种基于多源领域融合迁移学习的目标分类识别方法 | |
CN110443143B (zh) | 多分支卷积神经网络融合的遥感图像场景分类方法 | |
Dev et al. | Color-based segmentation of sky/cloud images from ground-based cameras | |
CN110569886A (zh) | 一种双向通道注意力元学习的图像分类方法 | |
Tuia et al. | Recent advances in domain adaptation for the classification of remote sensing data | |
CN109993236A (zh) | 基于one-shot Siamese卷积神经网络的少样本满文匹配方法 | |
CN109993201A (zh) | 一种图像处理方法、装置和可读存储介质 | |
CN112633071B (zh) | 基于数据风格解耦内容迁移的行人重识别数据域适应方法 | |
CN112633382A (zh) | 一种基于互近邻的少样本图像分类方法及系统 | |
CN109299668A (zh) | 一种基于主动学习和聚类分析的高光谱图像分类方法 | |
Liu et al. | Generative self-training for cross-domain unsupervised tagged-to-cine mri synthesis | |
CN109739844A (zh) | 基于衰减权重的数据分类方法 | |
Qin et al. | Learning discriminative embedding for hyperspectral image clustering based on set-to-set and sample-to-sample distances | |
CN109993042A (zh) | 一种人脸识别方法及其装置 | |
CN109657159A (zh) | 舆情数据角色识别中异构关系数据的迁移学习界限的确定方法 | |
CN110084263A (zh) | 一种基于信任的多框架异构数据融合识别方法 | |
CN114139616A (zh) | 一种基于不确定性感知的无监督域适应目标检测方法 | |
Zhang et al. | Transfer learning for optical and SAR data correspondence identification with limited training labels | |
CN110020674B (zh) | 一种提升局部类别区分度的跨领域自适应图像分类方法 | |
CN114612658A (zh) | 基于双重类别级对抗网络的图像语义分割方法 | |
CN117036904A (zh) | 注意力引导的半监督玉米高光谱图像数据扩充方法 | |
CN116343294A (zh) | 一种适用于领域泛化的行人重识别方法 | |
Wang et al. | Target recognition of synthetic aperture radar images using multi-criteria SRC | |
CN114359568A (zh) | 一种基于多粒度特征的多标签场景图生成方法 | |
CN102385704B (zh) | 一种生物特征识别中的反样本挑选方法及装置 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190215 |
|
RJ01 | Rejection of invention patent application after publication |