成佳駿 李 波

（1.武漢科技大學計算機科學與技術學院 武漢 430065）（2.武漢科技大學智能信息處理與實時工業(yè)系統(tǒng)湖北省重點實驗室 武漢 430065）

1 引言

在計算機視覺領域中，許多機器學習方法被用來做圖像分類任務。比如，線性回歸［1］、邏輯回歸［2］、k近鄰［3］、決策樹［4］、支持向量機［5］。但是，當圖像特征表示過于冗余或質量較差時，其準確性將降低。因此，提取高質量圖像特征非常重要。

特征提取是作為挖掘圖像潛在特征的一種重要方式，不僅有利于對圖像內容的深入理解，而且對于提高圖像分類和識別的準確率也至關重要。有許多經典的特征提取方法。比如，主成分分析（Principal Component Analysis，PCA）［6］、獨立成分分析（Independent Component Analysis，ICA）［7］、線性判 別 分 析（Linear Discriminant Analysis，LDA）［8］等。以上的算法是全局的，無法從中提取局部流形結構信息。為了發(fā)現隱藏在高維數據中的非線性結構并挖掘數據的局部幾何結構信息。拉普拉斯特征映射（Laplacian Eigen-maps，LE）［9］、局部線性嵌入（Locality Linear Embedding，LLE）［10］和其他流形學習算法也被提出用于特征提取。此外，深度學習方法也應用于特征提?。?1~12］。

然而，以上提出的算法通常需要大量與測試（目標域）樣本具有相同分布的訓練（源域）樣本，并且當標記的訓練樣本不足且具有分布偏差時，算法性能將會受到很大影響。領域自適應（Domain Adaption）問題解決了源域和目標域之間的樣本分布不一致的問題。如何有效地衡量域之間分布差異是領域自適應的關鍵步驟。常用的方法包括基于熵的KL 散度［13］、Bregman 散度［14］、最大均值差異（Maximum Mean Discrepancy，MMD）［15］。Zhuang等［16］通過將KL散度作為域間分布自適應提取深度特征，提出一種自編碼的領域自適應方法。Si等［17］將Bregman 差異添加到子空間學習的目標函數中，提出了轉移子空間學習（Transfer Subspace Learning，TSL）方法。然而，需要密度估計的流程阻礙了KL 和Bregman 散度的適用性。之后，香港大學的Pan等提出遷移成分分析（Transfer Component Analysis，TCA）［18］，使用MMD 消除了再生核希爾伯特空間（Reproducing Kernel Hilbert Space，RKHS）中域之間分布差異，減少源域和目標域間的邊緣分布差異。龍明盛等提出了遷移聯合匹配方法（Transfer Joint Matching，TJM）［19］，在優(yōu)化目標中同時進行邊緣分布自適應和源域樣本選擇。隨后，龍明盛等提出的聯合分布自適應方法（Joint Distribution Adaptation，JDA）［20］的目標是同時減少源域和目標域的邊緣分布差異和條件分布差異。王晉東等提出平衡分布自適應（Balanced Distribution Adaptation，BDA）［21］方法來解決JDA 中忽略邊緣分布和條件分布優(yōu)先考慮的問題，該方法能夠根據特定的數據領域，自適應地調整分布適配過程中邊緣分布和條件分布的重要性。

雖然基于MMD 的領域自適應方法很方便，但是有必要構建一個與樣本大小成正比的分布差異矩陣，增加了計算成本。另外，這些方法都沒有考慮到源域和目標域樣本的標簽信息，沒有保留投影到子空間后樣本數據的流形結構。許多機器學習研究人員發(fā)現，未標記數據與少量標記數據結合使用時，可以大大提高學習準確性［22］。因此，基于LDA［8］的半監(jiān)督判別分析（Semi-supervised Discriminant Analysis，SDA）［23］被提出。SDA 的目的是找到一個投影矩陣W，該投影從標記的數據點推斷出判別結構，以及從標記和未標記的數據點推斷出固有的幾何結構。

為此，本文提出一種基于半監(jiān)督判別分析和跨域均值差異（Semi-supervised Discriminant Analysis And Cross-domain Mean Measure，SDA-CDMD）的領域自適應方法。首先，用源域和目標域到彼此域均值距離的平方和表示兩個域之間的差異（CDMD）。其次，將SDA 加入到優(yōu)化目標，保證數據映射到子空間后的局部幾何信息。最后，通過最小化CDMD 并結和SDA 來構造關于投影矩陣W 的目標函數。減少域之間的邊緣分布差異和條件分布差異，促進域之間的知識遷移。與基于KL 散度、Bregman 散度和MMD 的領域自適應算法相比，基于SDA-CDMD 的方法具有計算成本低，所需內存少，知識傳遞效率高，易于推廣和應用的優(yōu)點。

2 半監(jiān)督判別分析

半監(jiān)督判別分析（Semi-supervised Discriminant Analysis，SDA）［23］的目標是學習一個全局的投影變換，使其不僅具有較好的分類判別能力，同時保持數據的局部分布特性。假設樣本數據集X=XS∪XT=［x1，x2，…，xN］∈Rd×N，其中N=n+m。SDA 的目標函數如下所示：

其中，WTXLXTW 是一個正則項。a 是全局散度與正則項之間的平衡參數。正則項的拉普拉斯矩陣為L=D-S。其中，S 表示由X 組成的鄰接矩陣。在本文中，矩陣S定義為

D是一個對角矩陣：其條目是S的列（或行）的總和，表示如下：

Sb和St分別表示樣本X的類間散度矩陣和全局散度矩陣，具體定義如下所示：

Sw表示X 的類內散度矩陣，N（c）和u（c）分別表示X 中包含c類樣本的數量和平均值。由于目標域是沒有標簽的，所以在標簽迭代過程中用偽標簽替代。每次迭代后都需要更新目標域標簽。在式（4）和式（6）中，u 表示樣本數量為n+m 的X 樣本均值。如下所示：

本文中，X 由源域樣本和目標域樣本組成，n和m分別為源域樣本數量和目標域樣本數量。

3 跨域均值差異

為了衡量兩個域之間的分布差異，本文提出了一種新的域之間度量準則：跨域均值差異（Corss-Domain Mean Discrepancy，CDMD）。

假設源域Ds和目標域Dt的樣本數量固定，CDMD通過兩個域之間到彼此域樣本均值點歐式距離的平方和來評估Ds和Dt的分布差異。如圖1 所示，在源域和目標域的原樣本空間中分別有三類樣本點及其均值：xS（1），xS（2），xS（3），uS和xT（1），xT（2），xT（3），uT。從xS（1），xS（2），xS（3）到uT的距離分別為dS（1），dS（2），dS（3）。而從xT（1），xT（2），xT（3）到uS的距離分別為dT（1），dT（2），dT（3）。可以用下式表示這兩域之間的分布差異。

圖1 原始樣本空間

因此，通過CDMD計算Ds和Dt之間的分布差異公式為

圖1和式（9）表明，當樣本數量保持不變時，d2（Ds，Dt）越小，源域樣本點越接近目標域樣本均值點；目標域原本點越接近源域樣本均值點，域之間的分布差異越小。

為了提取最佳的共享特征表示，本節(jié)通過學習一個基于CDMD 的最優(yōu)特征子空間的投影矩陣W。如圖2 所示，通過投影變換zS=WTxS和zT=WTxT，投影后源域和目標域樣本點及其均值變?yōu)閦S（1），zS（2），zS（3），?S和zT（1），zT（2），zT（3），?T。從zS（1），zS（2），zS（3）到?T的距離分別為d?S(1)，d?S(2)，d?S(3)。從zT（1），zT（2），zT（3）到?S的距離分別為d?T(1)，d?T(2)，d?T(3)。本章希望找到一個映射矩陣W使得式（11）成立，進而減少域之間的分布差異。

圖2 投影后樣本空間

因此，為了找到最佳的共享特征子空間，通過將低維投影矩陣W 加入到式（9）中，可以得到基于CDMD的優(yōu)化目標函數如下所示：

其中，u 由式（10）表示，式（13）寫成矩陣形式如下所示：

4 SDA-CDMD算法

在SDA-CDMD 方法中，給定有標簽的源域數據集Xs=｛（x1，y1），（x2，y2），…，（xn，yn）｝∈Rd×n和沒有標簽的目標域數據集XT=｛x1，x2，…，xm｝∈Rd×m。其中n 和m 分別是源域樣本和目標域樣本數量，d 是原始特征空間維度。

4.1 目標函數

SDA-CDMD 算法將SDA 與CDMD 相結合構造出關于投影矩陣W的優(yōu)化目標函數。另外，在目標函數上添加經典領域自適應方法TCA［18］和JDA［20］使用的正則化項。最終的目標函數為

其中，M=XXT-XuT-XTu+uuT。||W||2 F 是投影矩陣的稀疏約束項，l是平衡參數，||·||2 F是矩陣F-范數的平方運算。參數b 用于權衡SDA 與CDMD 之間的權重。

優(yōu)化問題（14）的求解可以轉換為拉格朗日乘數法求解廣義特征值的問題。定義L=diag（l1，l1，…，lk）為拉格朗日乘子，式（14）的廣義特征分解為

求解等式（15）得到的前k 個最大特征值對應的特征向量組成的矩陣即為投影矩陣W。

4.2 算法流程

在上述理論的基礎上，本文提出的SDA-CDMD算法步驟見算法1。

算法1 基于SDA-CDMD領域自適應算法步驟

輸入：源域樣本XS和目標域樣本XT，子空間維度k，參數a、b、l，最大迭代次數T。

輸出：投影矩陣W

1）直接訓練源域樣本得到一個分類器f，通過f 得到目標域樣本的偽標簽。初始化矩陣St和Sb。

2）令跌代次數t=1；

3）求解式（15）得到投影矩陣W；

4）由W得到低維數據ZS=WTXS和ZT=WTXT；

5）用｛ZS，YS｝訓練出一個分類器f，通過f 得到目標域樣本的偽標簽。更新矩陣St和Sb；

6）t=t+1；

7）如果t

5 實驗與數據分析

為了對本文提出的方法進行驗證，將本文提出的SDA-CDMD 算法與傳統(tǒng)的領域自適應算法進行實驗結果比較，比較的方法包括GFK［24］，TCA［18］，TSL［17］，JDA［20］，TJM［19］，BDA［21］。以此對本文所提出算法的有效性和實用性進行評估。

5.1 數據集描述

USPS 數據集和MINST 數據集都是手寫數據集，具有手寫的數字0-9 的十個類別。它們的分布不同但是聯系緊密，都具有手寫的數字0-9 的十個類別。在實驗中，構建兩組實驗數據作為域適應問題：U→M（USPS 作為源域，MINST 作為目標域）和M→U（MINST作為源域，USPS作為目標域）。

Office+Caltech 數據集由Gong 等第一次被提出［25］，它包含Office和Caltech兩個數據集。有四個域C（Caltech），A（Amazon），W（Webcam）和D（DSLR）。在實驗過程中，兩個不同的域隨機選取分別作為源域和目標域，比如C→A（Caltech 作為源域，Amazon 作為目標域）。一共有12 種域適應問題。

5.2 方法比較

在對比實驗中，設置本文算法的參數：子空間維度k=100，正則項系數a=0.001，最大迭代次數T=10。另外在USPS+MNIST 數據集上設置平衡參數b=1，正則項系數l=0.1。在Office+Caltech 數據集上設置b=0.5，l=1。其它方法的參數使用它們各自文獻的最優(yōu)參數，選用k-NN 分類器對USPS+MNIST數據集的兩組域適應問題（U→M，M→U）和Office+Caltech 數據集的9 組域適應問題（C→A，C→W，…）使用7種領域自適應方法進行比較，比較結果如表1和表2所示。

表1 USPS+MNIST數據集分類準確率（%）

表2 Office+Caltech數據集分類準確率（%）

從表1和表2的結果分析中我們可以得出以下兩點結論：

第一，BDA、JDA、SDA-CDMD 這些共享特征提取算法的準確率總體上高于TCA、GFK 和TSL。表明同時減少兩個域之間的邊緣分布差異和條件分布差異，更有利于對齊源域與目標域，保留數據的本質屬性。

第二，SDA-CDMD 的平均準確率總體上優(yōu)于其它幾種傳統(tǒng)的領域自適應算法，這就表明SDA-CDMD 在特征提取過程中充分利用了標簽信息使得類內散度最小化，類間散度最大化，這樣可以充分挖掘數據的局部幾何結構信息。在投影到子空間后保留了樣本的原始幾何結構，同時通過CDMD減少了域之間的分布差異。

5.3 參數設置及收斂性分析

根據目標函數（14），SDA-CDMD 算法性能受參數a、b、l 和子空間維度k 的影響。因此，為了測試SDA-CDMD 對參數的敏感性并研究其隨著迭代次數的增加算法的收斂性。我們分別選取USPS+MNIST 數據集的M→U 域適應問題和Office+Caltech 數據集的C→A 域適應問題。對這兩組實驗采用控制變量法找到每個最優(yōu)的參數結果，圖3分別展示了給定其他三個參數值，變換剩余一個參數值時分類準確率的變化趨勢。

圖3 參數設置

另外，記錄這兩組實驗在每次迭代后的分類準確率，如圖4所示。

圖4 迭代次數分類準確率

通過圖3 和圖4 可以看出：1）隨著迭代次數的增加SDA-CDMD 的精度在4 次迭代后逐漸增強并穩(wěn)定下來，這說明算法具有很強的收斂性能。2）SDA-CDMD 的精度隨著子空間維度的增加而提高，然后基本保持不變。3）正則化參數a的變化導致分類準確率的波動較大，并且兩組實驗的趨勢不同?？傮w來說兩組實驗在區(qū)間a∈［0.0001，0.01］效果最好。4）平衡參數b 在區(qū)間［0.5，1］中，兩組實驗的分類準確率最高。5）隨著正則化參數λ的增加，兩組實驗的分類準確率先升再降。M→U 實驗在λ=0.1 處取得最優(yōu)值，C→A 實驗在λ=1 處取得最優(yōu)值。

6 結語

本文提出的基于半監(jiān)督判別分析和跨域均值差異的領域自適應（SDA-CDMD）方法，通過三方面實現領域自適應：1）將源域和目標域映射到同一子空間，減少兩個域之間的邊緣分布差異和條件分布差異；2）利用半監(jiān)督判別分析方法使數據在投影后保持原有的幾何結構信息，同時使得同類樣本更聚集、異類樣本更分散；3）為了有效衡量域之間的分布差異同時提高計算效率，提出一種跨域均值差異的度量準則。在多個數據集上的對比實驗可以看出，SDA-CDMD 算法效果總體上優(yōu)于其它傳統(tǒng)的領域自適應方法。

本文算法雖然相較于一些傳統(tǒng)算法有一定的改進，但仍有不足之處。如本文算法中分類器僅選用k-NN，后續(xù)將嘗試不同的分類方法來提高分類準確率。近年來，隨著深度學習的發(fā)展，各種深度學習模型不斷提出，后續(xù)會考慮將本文算法和深度學習相結合。