申请/专利权人：中国人民解放军国防科技大学

申请日：2024-05-30

公开（公告）日：2024-06-28

公开（公告）号：CN118262182A

主分类号：G06V10/764

分类号：G06V10/764;G06V10/77;G06V10/774;G06V10/80;G06V10/82

优先权：

专利状态码：在审-公开

法律状态：2024.06.28#公开

摘要：本发明公开了一种基于元正则化和距离约束的图像元学习域泛化方法及系统，本发明方法包括为源域建立图像分类模型，建立一个嵌入网络；将源域数据划分为元训练集和元测试集，基于元训练集计算交叉熵分类损失，更新图像分类模型的网络参数；利用更新参数后的特征提取器，基于元测试集进行编码后再元正则化，再利用分类器进行分类计算交叉熵分类损失，基于嵌入网络映射到低维空间后计算距离约束损失，对交叉熵分类损失和距离约束损失进行加权求和并进行分类模型网络和嵌入网络的参数更新；重复上述步骤直至完成训练。本发明旨在帮助分类模型更好地适应目标域的未见样本，提高脑影像分类模型在目标域未见数据上的泛化性能。

主权项：1.一种基于元正则化和距离约束的图像元学习域泛化方法，其特征在于，包括下述步骤：S101，为源域建立图像分类模型，所述图像分类模型包括特征提取器和分类器，所述特征提取器用于对输入的图像提取特征，所述分类器用于完成目标分类任务；建立一个嵌入网络，用于将特征提取器得到的特征映射到低维空间；S102，将源域数据随机划分为不同域的元训练集和元测试集；S103，基于元训练集计算图像分类模型的交叉熵分类损失，采用梯度下降法实现图像分类模型的参数更新；S104，首先利用更新参数后的图像分类模型中的特征提取器基于元测试集进行编码后再基于元正则化进行特征变换，然后利用图像分类模型中分类器针对变换后的特征进行分类之后计算元测试集的交叉熵分类损失；基于嵌入网络计算元测试集的特征和元训练集的特征之间的距离约束损失，对交叉熵分类损失和距离约束损失进行加权求和，并基于加权求和后的损失采用梯度下降法实现图像分类模型的参数更新；基于距离约束损失采用梯度下降法嵌入网络的参数更新；所述基于嵌入网络计算元测试集的特征和元训练集的特征之间的距离约束损失的计算函数表达公式为： ，上式中，为元测试集的特征和元训练集的特征之间的距离约束损失，为元训练集，为元测试集，为嵌入网络基于网络参数，为欧式距离计算函数，表示嵌入网络基于网络参数对第j个元训练集特征的低维映射，表示嵌入网络基于网络参数对第k个经过元正则化的元测试集特征的低维映射，为第j个元训练集样本的标签，为第k个元测试集样本的标签；max为计算最大值函数，从集合中取最大值输出，为控制安全距离的超参数；S105，判断是否需要继续训练，若需要继续训练，则跳转步骤S102；否则，结束训练，得到适用于目标域未见样本的图像分类模型。

全文数据：

权利要求：

百度查询： 中国人民解放军国防科技大学 基于元正则化和距离约束的图像元学习域泛化方法及系统

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD