(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202210404117.0 (22)申请日 2022.04.18 (65)同一申请的已公布的文献号 申请公布号 CN 114494804 A (43)申请公布日 2022.05.13 (73)专利权人 武汉明捷科技有限责任公司 地址 430205 湖北省武汉市东湖新 技术开 发区东门路以东、 南环铁路以南、 关山 二路以西、 中环线以北当代科技园(华 夏创业中心)第1、 2、 3栋1号楼6层1号、 7号、 8号房 (72)发明人 斯小明　 (74)专利代理 机构 武汉仁合利泰专利代理事务 所(特殊普通 合伙) 42275 专利代理师 郑飞 (51)Int.Cl. G06V 10/774(2022.01) G06V 10/764(2022.01) G06V 10/80(2022.01) G06V 10/82(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01)G06K 9/62(2022.01) (56)对比文件 CN 111126464 A,2020.0 5.08 CN 113536972 A,2021.10.2 2 CN 113837366 A,2021.12.24 CN 114048546 A,202 2.02.15 CN 113011487 A,2021.0 6.22 WO 2021114130 A1,2021.0 6.17 US 2020342643 A1,2020.10.2 9 CN 112183637 A,2021.01.0 5 CN 113283393 A,2021.08.20 CN 113962846 A,202 2.01.21 US 2021279 943 A1,2021.09.09 CN 111754446 A,2020.10.09 CN 112967262 A,2021.0 6.15 杨玉婵.面向Hep-2细胞的分类算法研究. 《中国优秀博硕士学位 论文全文数据库(硕士)基 础科学辑》 .2021, NISHANJAN RA VIN等.Mitig ating domai n shift in AI-based tubercul osis scre ening with unsupervised domai n adaptati on. 《IEEE Access》 .2021, 审查员 张俊 (54)发明名称 一种基于域特有信息获取的无监督领域适 应图像分类方法 (57)摘要 本发明提供一种基于域特有信息获取的无 监督领域适应图像分类方法， 包括如下步骤， 源 域特有特征提取， 域共享特征的提取， 目标域特 有特征提取， 源域特征分离函数计算， 目标域特 征分离函数计算， 源域分类损失函数计算， 源域 图像重建损失函数计算， 源域鉴别器损失函数计 算， 目标域鉴别器损失函数计算， 目标域图像重 建损失函数计算， 该基于域特有信息获取的无监 督领域适应图像 分类方法， 能够分离域特有信息和域共享特征， 并利用域共享特征实现信息迁 移， 能够降低域特有信息对图像分类结果的干 扰。 权利要求书2页 说明书7页 附图2页 CN 114494804 B 2022.10.25 CN 114494804 B 1.一种基于域特有信息获取的无监督领域适应图像分类方法， 其特征在于， 具体步骤 如下： 步骤一： 源域特有特征提取， 对于源域特有分支， 使用带标注的源域数据作为该分支的 输入， 使用ResNet ‑50网络作为该分支的特征提取网络， 直接将最后一个卷积层的输出作为 源域特征， 以获得源域特有特 征表示 ； 步骤二： 域共享特征的提取， 对于共享网络分支， 同时使用带标注的源域数据和无标注 的目标域数据作为该分支的输入， 用ResNet ‑50网络作为该分支的特征提取网络， 直接将最 后一个卷积层的输出作为源 域和目标域特征， 以获得源域和目标域的公共特征表示   和  ； 步骤三： 目标域特有特征提取， 对于目标域特有分支， 使用无标注的目标域数据作为该 分支的输入， 使用ResNet ‑50网络作为该分支的特征提取网络， 直接将最后一个卷积层的输 出作为目标域特 征， 以获得目标域特有特 征表示  ； 步骤四： 源域特征分离函数计算， 对于源域特有特征 和公共特征表示 ， 计算损失 函数  ， 以确保共享网络和源域特有网络提取到的特 征是不一致的； 步骤五： 目标域特征分离函数计算， 对于目标域特有特征 和公共特征表示 ， 计算 损失函数  ， 以确保共享网络和目标域特有网络提取到的特 征是不一致的； 步骤六： 源域分类损失函数计算， 对于源域特有特征表示 和公共特征 ， 进行名为 A的融合， 并将结果输入到分类 器中， 依赖源域数据标注， 计算损失函数； 步骤七： 源域图像重 建损失函数计算， 对于源域特有特征表示 和公共特征 ， 进行 名为B的融合， 并将结果输入到共享解码器中， 解码出源域图像， 利用图像重建损失进行监 督； 步骤八： 源域鉴别器损失函数计算， 对于源域特有特征表示 和公共特征 ， 进行名 为C的融合， 并借助于鉴别器， 鉴定特 征融合后的结果是真还是假； 步骤九： 目标域鉴别器损失函数计算， 对于目标域特有特征表示 和公共特征 ， 进 行名为D的融合， 并借助于鉴别器， 鉴定特 征融合后的结果是真还是假； 步骤十： 目标域图像重建损失函数计算， 对于目标特有特征表示 和公共特征 ， 进 行名为E的融合， 并将结果输入到共享解码器中， 解码出目标域图像， 利用图像重建损失进 行监督。 2.根据权利要求1所述的一种基于域特有信息获取的无监督领域适应图像分类方法， 其特征在于： 所述步骤一至三采用ResNet ‑50作为源域和目标域的特征提取网络， 但 不局限 于此， 源域和目标域的特征提取网络并不需要完全一致， 或  选用LeNet和AlexNet作为源域 和目标域的特 征提取网络 。 3.根据权利要求2所述的一种基于域特有信息获取的无监督领域适应图像分类方法， 其特征在于： 特征提取时， 图像的输入维度为N*N， ResNet ‑50网络包括conv1_x、 conv2_x、 conv3_x、 conv4_x和conv5_x五个卷积模块， 其中conv2_x由3组相同的卷积结构构成， 每组权　利　要　求　书 1/2 页 2 CN 114494804 B 2卷积结构为： 1*1*64、 3*3*64、 1*1*256； conv3_x由4组相同的卷积结构构 成， 每组卷积结构 为： 1*1*128、 3*3*128、 1*1*512； conv4_x由6组相同的卷积结构构成， 每组卷积结构为： 1*1* 256、 3*3*2 56、 1*1*1024； conv5_x由3组相同的卷积结构构成， 每组卷积结构为： 1*1*512、 3* 3*512、 1*1*2048。 4.根据权利要求1所述的一种基于域特有信息获取的无监督领域适应图像分类方法， 其特征在于： 所述步骤四和步骤五中的特征分离损失函数 的计算采用相似性度量， 或 利用F范数进行约束， 即定义共享网络在源域和目标域上提取到的特征为 和 ， 每 一行表示 一个样本的特 征， 私有网络提取到的特 征为 和 ， 则计算方式为： 通过这样的方式， 函数 取得最小值时， 每一项为0， 即两个网络提取到的特 征不一致。 5.根据权利要求1所述的一种基于域特有信息获取的无监督领域适应图像分类方法， 其特征在于： 所述步骤六中的源域分类损失函数 的计算采用交叉熵损失函数， 具体计算方 式如下： 其中， m表示源域样本数量；   表示真实标签，   表示网络输出的预测标签分布，   表示融合A的输出。 6.根据权利要求1所述的一种基于域特有信息获取的无监督领域适应图像分类方法， 其特征在于： 所述步骤七和步骤十中的图像重建损失函数的计算采用平均绝对误差 （MAE） 作为损失函数， 具体 计算方式如下： 其中  表示原图像，   表示重建图像，   表示图像中像素点个数。 7.根据权利要求1所述的一种基于域特有信息获取的无监督领域适应图像分类方法， 其特征在于： 所述步骤八和步骤九中的损失函数的计算采用传统生成对抗网络的优化目标 函数， 具体 计算方式如下： 其中 表示分布函数的期望值，   表示域分类器， 即鉴别器。权　利　要　求　书 2/2 页 3 CN 114494804 B 3