流形嵌入的选择性伪标记与小样本数据迁移

特殊场景分类和识别任务面临样本不易获得而造成样本缺乏,利用源域(或称辅助域)数据构建领域自适应迁移学习模型,提高小样本机器学习在这些困难场景中的分类准确度与性能是当前研究的热点与难点.提出深度卷积与格拉斯曼流形嵌入的选择性伪标记算法(deep convolution and Grassmann manifold embedded selective pseudo?labeling,DC?GMESPL)模型,以实现在多种小样本数据集间迁移学习分类.针对目标域特殊场景,如森林火灾烟雾视频图像的本地样本数据缺乏情景,使用卫星遥感图像异地样本数据作为源域,基于Resnet50深度迁移网络,同时提取源域与目标域的烟雾特征;通过去除源域特征间的相关性,并与目标域重新关联,最小化源域与目标域特征分布距离,使源域与目标域特征分布对齐;在格拉斯曼流形空间中,用选择性伪标记算法对目标域数据作伪标记;构建一种可训练模型完成小样本数据间迁移分类.通过卫星遥感图像与视频影像数据集间迁移学习,对文中模型进行评估.实验表明,DC?GMESPL迁移准确率均高于DC?CMEDA、Easy TL、CMMS和SPL等方法.与作者先期研究的DC?CMEDA算法相比,新算法DC?GMESPL的准确率得到进一步提升;DC?GMESPL从卫星遥感图像到视频图像迁移准确率提高了0.50％,而从视频图像到卫星遥感图像迁移准确率提高了8.50％,且在性能上有了很大改善.