论文部分内容阅读
本文针对源域样本与目标域样本分布不同的特性而导致分类器失效的问题,提出了联合子空间对齐与极限学习机无监督领域自适应方法.首先通过利用极限学习机自编码器ELM-AE获取的域不变性特征权重替代ELM初始化随机权重;然后拆分ELM输出层权重使其更加的灵活;最后联合ELM拆分的输出层权重与低秩约束的子空间对齐方法,得到具有迁移能力的ELM输出权重,通过域不变性特征权重和迁移能力的输出权重构建的分类器可以很好的适应跨域分类任务.在基准数据集上进行的实验证明,本文的方法在跨域视觉识别方面优于其他最新方法.