跨域图像分类中域不变细节特征提取算法

杨海花，应文豪，龚声蓉,+

(1.苏州大学 计算机科学与技术学院，江苏 苏州 215006；2.常熟理工学院 计算机科学与工程学院，江苏 常熟 215500)

0 引 言

近年来，基于一个包含大量带标签样本的数据集(源域)，设计一种跨域图像分类器算法来提高只有少量标记样本数据集(目标域)上的分类准确率引起了广泛的关注[1]，跨域图像分类方法主要分为两类，一方面是对两域间样本数据的边缘和条件做适配[2-7]，这类方法学习到的特征往往泛化能力较弱。另一方面，许多研究开始将深度学习和跨域图像分类相结合，旨在学习更鲁棒的特征。Rozantsev等[8]提出源域和目标域的网络框架中部分层使用不同的参数而非共享参数；Zhang等[9]将源域和目标域分别输入到两个网络，并且不分享参数以提取出更多的域特定特征；Shen等[10]利用同一网络对源域和目标域编码，并优化两个编码的相似性使源域和目标域的数据分布在语义上对齐；Lee等[11]提出Sliced Wasserstein Discrepancy用于捕捉任务特定分类器输出之间的自然差异；Ganin等[12]通过优化网络架构最小化域间差异。上述方法都取得了较好的结果，但在提取特征时对两域中图像的域不变细节信息缺乏考虑。

综上，为了充分利用数据中的细节信息，本文提出基于混合池化和样本筛选机制的域不变细节特征提取方法(fine-tuned hybrid pooling for deep domain adaptation，FHPDDA)。首先，本文基于卷积神经网络提出混合池化策略，在原先的池化结果上进一步提取全局特征和局部细节特征。其次，本文设计了一种样本选择机制，基于聚类思想从源域和目标域中选取具有细节特征的样本点，以学习两域间的共有细节特征。……