一种基于样本选择和在线字典学习的域适应图像分类算法

经典图像分类方法假设训练样本和测试样本源于同一个域、具有相同的分布形式,然而在实际应用中这种假设很难得到满足.据此,提出一种基于样本选择和在线字典学习的域适应图像分类算法,算法假设源域和目标域之间存在若干个中间域,并基于在线字典学习的方式表征各中间域子空间,在此过程中不断从目标域中选择支持向量样本更新字典.一方面,支持向量样本的类别标签预测准确率更高,可以增强分类模型的判别性能;另一方面,支持向量样本可以有效减少域间的差异性,最后通过迭代终止准则保证了适应过程中域间差异性单调递减.Office&Caltech图像集中的实验结果,验证了本文算法的有效性.