(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 202210266952.2 (22)申请日 2022.03.17 (65)同一申请的已公布的文献号 申请公布号 CN 114783072 A (43)申请公布日 2022.07.22 (73)专利权人 哈尔滨工业大 学 （威海） 地址 264333 山东省威海市文化西路2号 专利权人 南京龙垣信息科技有限公司 (72)发明人 丁建睿　汤丰赫　张星东　丁卓　 (74)专利代理 机构 苏州中合知识产权代理事务 所(普通合伙) 32266 专利代理师 阮梅 (51)Int.Cl. G06V 40/70(2022.01) G06V 10/40(2022.01) G06V 10/774(2022.01) G06V 10/764(2022.01) G06V 10/80(2022.01)(56)对比文件 CN 113627433 A,2021.1 1.09 CN 109583 506 A,2019.04.0 5 CN 10975 3566 A,2019.0 5.14 CN 111223553 A,2020.0 6.02 CN 111738315 A,2020.10.02 CN 110427875 A,2019.1 1.08 CN 109583482 A,2019.04.0 5 CN 110458043 A,2019.1 1.15 US 2020327962 A1,2020.10.15 US 2021390 355 A1,2021.12.16 WO 2022002943 A1,202 2.01.06 黄剑华 等. “基于局部加权的Citati on-kNN 算法”. 《电子与信息学报》 .2013,第3 5卷(第03 期),627- 632. (续) 审查员 张楠霞 (54)发明名称 一种基于远域迁移学习的图像识别方法 (57)摘要 本发明公开一种基于远域迁移学习的图像 识别方法， 包括如下步骤： 将医学领域的小样本 图像作为目标域， 同时将与目标域相似度高的无 标签图像作为辅助域， 将自然场景图像作为源 域， 通过基于Resnet 50的轻量级网络提取各自域 的高级语义特征； 利用具有域距离度量的卷积自 动编码器并通过辅助域作为桥梁对源域和目标 域的高级语义特征进行特征融合； 通过卷积自动 解码器重构各自域的高级语义特征； 最后通过全 连接层对目标域图像进行识别， 整个过程通过多 任务损失函数进行优化。 本发明改善了模型对高 级语义信息的提取能力和稳定性， 有效提升了模 型远域特征迁移能力， 本发明可以用于不同任务 的图像识别任务。 [转续页] 权利要求书2页 说明书6页 附图3页 CN 114783072 B 2022.12.30 CN 114783072 B (56)对比文件 Shuteng N iu 等.“Distant Domai n Transfer Learn ing for Medical Ima ging”. 《IEEE Journal of Bi omedical and Health Informatics 》 .2021,第25卷(第10期),3784 – 3793. S. J. Pan 等.“A Survey o n Transfer Learning”. 《 IEEE Transacti ons on Knowledge and Data Engi neering》 .2010,第2 2 卷(第10期),1345 -1359. Grubinger, T 等. “ Multi-Domai n Transfer Compo nent Analy sis for Domai n Generalization”. 《 Neural Proces s Lett》 .2017,(第46期),845 –855. Tan B 等. “Distant domai n transfer learning”. 《 AAAI Conference o n Artificial Intelligence》 .2017,第 31卷(第1期),26 04- 2610. 黎英.“迁移学习在医学图像分析中的应用 研究综述 ”. 《计算机 工程与应用》 .2021,第57 卷 (第20期),42- 52. Maithra Ra ghu等.“Transfusi on: Understandi ng transfer learn ing for medical ima ging”. 《 Computer Visi on and Pattern Recogn ition》 .2019,1-2 2.2/2 页 2[接上页] CN 114783072 B1.一种基于远域迁移学习的图像识别方法， 其特 征在于， 包括如下步骤： 步骤S1， 将医学领域的小样本图像作为目标域， 同时将与目标域的领域相似度高的无 标签图像作为辅助域， 自然场景图像作为源域； 步骤S2、 将源域、 辅助域和目标域的数据集输入到Resnet50  layer1、 Resnet50  layer2 和Resnet50  layer3组成的轻量级特征提取网络， 在加载Imagenet数据集的预训练权重到 网络中后使用网络分别提取表示源域、 辅助域和目标域的高级语义特 征； 步骤S3、 将属于源域、 辅助域和目标域的高级语义特征通过具有域距离度量的高级语 义特征卷积自动编 码器并通过辅助域作为桥梁最小化源域与辅助域、 目标域与辅助域的域 损失以进行高级语义特 征融合； 步骤S4、 利用卷积自动解码器重构融合后的高级语义特征， 最小化内容损失以保持源 域、 辅助域和目标域特 征的多样性和完整性； 步骤S5、 使用全连接层对卷积自动解码器提取的目标域高级语义特 征进行分类； 步骤S6、 在多任务优化函数下对算法模型的参数进行调整， 直到达到迭代次数或者精 度需求。 2.根据权利要求1所述的一种基于远域迁移学习的图像识别方法， 其特征在于， 所述源 域、 辅助域和目标域的数据集满足如下假设成立： pS(x)≠pT(x) ,pT(x)≠pA(x) , 其中pS(x)和pA(x)分别为源域和辅助域的条件分布， pT(x)和pT(x)|x)分别是目标域的条件分布和边 缘分布。 3.根据权利要求1所述的一种基于远域迁移学习的图像识别方法， 其特征在于， 所述卷 积自动编码器包括两个池化层和两个卷积层， 卷积层 使用pad为1、 stride为1的3x3卷积核， 编码器的第一个卷积层的卷积核 数量为1024， 第二个卷积层卷积核数量为2048， 使用2x2的 最大池化进行下采样； 所述卷积自动解码器由两个卷积层和两个上采样层组成， 解码器的 第一个卷积层的卷积核数量为1024， 第二个卷积层卷积核 数量为1024， 采用2x2上采样以重 建出相同大小的高级语义特 征， 解码和编码的标准过程表示 为： 其中f是Resnet50轻量级特征提取网络输出的高级语义特征， fabstract是f经过编码器后 的更高层次的抽象特 征， 是重构后的高级语义特 征。 4.根据权利要求3所述的一种基于远域迁移学习的图像识别方法， 其特征在于， 所述步 骤S3， 具体包括如下步骤： 最小化源域到目标域距离的衡量采用最大平均差异MMD， 最大平均差异MMD计算公式如 下： 其中s和t代表源域和目标域， 表示将原始数据映射到希尔伯特空间RKHS的核函数， MMD的经验 估计定义 为： 权　利　要　求　书 1/2 页 2 CN 114783072 B 3