基于改进的MFA和迁移学习的小样本集的物体分类方法

专利申请号：CN201510801292.3

公 开 号：CN105469111A

发 明 人：于慧敏 舒醒 郑伟伟 

代 理 人：邱启旺

代理机构：33200 杭州求是专利事务所有限公司

专利类型：发明专利

申 请 日：20160406

公 开 日：20151119

专利主分类号：G06K9/62(20060101)

关 键 词：源域 目标域 标记样本 非线性特征 迁移学习 转换矩阵 小样本 训练分类器 低维空间 度量距离 分类算法 密集区域 特征映射 同构数据 物体分类 学习目标 训练样本 样本映射 分类器 空间上 奇异点 样本点 核化 内积 一种 剔除 边际 样本 训练 改进 公开 选择 组成 

摘      要：本发明公开了一种基于改进的MFA(Marginal？Fisher？Analysis)和迁移学习的小样本集(目标域)分类算法。首先，利用一个具有大量标记样本的同构数据集(源域)和内积度量距离的边际Fisher准则将源域和目标域样本的特征映射到低维空间；之后，剔除源域边界奇异点，选择源域密集区域样本点并与目标域中少量的标记样本点组成迁移学习训练样本对；然后在核化空间上，学习目标域到源域的非线性特征转换矩阵；最后利用源域的大量标记样本训练分类器，通过非线性特征转换矩阵将目标域样本映射到源域中，并输入到训练好的分类器中得到小样本集上的物体分类结果。