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;
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,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;
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;
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定义为目标域样本伪标签,根据式(11)计算得到权重γ:其中,nt表示目标域样本数;
步骤S4中,根据式(12)更新域私有特征提取器和域分类器的网络参数:其中,Gp,Gd分别为域私有特征提取器和域分类器,θp,θd分别表示域私有特征提取器和域分类器参数,d为域标签,ns表示源域样本数;
步骤S5中,根据式(13)计算总体损失:
其中,α,β为超参数。
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,所述分类方法还包括以下步骤:根据式(14),利用所得权重对标签进行预测:其中,为域不变特征和域私有特征的线性组合;Yt为预测所得目标域标签。