基于联合特征和迁移学习的跨域图像分类方法

摘要

针对传统编码方法单一考虑边缘分布的问题,进一步提升跨域模型的泛化能力,提出一种基于联合特征和迁移学习的跨域图像分类方法.首先,利用聚类方法初始化字典基向量,学习更具代表性的初始基;其次,联合类间及域间概率分布,最小化类内差异、最大化类间差异,利用平衡因子调节每个分布的权重比例,促进域间的知识迁移.在MNIST和USPS、Office和Caltech等通用迁移学习数据集上的实验表明所提方法可有效提高源域到目标域的迁移性能.