[發(fā)明專利]一種跨域網(wǎng)絡(luò)訓(xùn)練及圖像識(shí)別方法

在審

• 申請(qǐng)?zhí)枺?/td>: 201811500433.8
• 申請(qǐng)日: 2018-12-07
• 公開（公告）號(hào): CN111291780A
• 公開（公告）日: 2020-06-16
• 發(fā)明（設(shè)計(jì)）人: 劉若鵬;欒琳;趙盟盟
• 申請(qǐng)（專利權(quán)）人: 深圳光啟空間技術(shù)有限公司
• 主分類號(hào): G06K9/62
• 分類號(hào): G06K9/62
• 代理公司: 暫無(wú)信息
• 代理人: 暫無(wú)信息

1.一種跨域網(wǎng)絡(luò)訓(xùn)練方法，其特征在于，包括以下步驟：

S1：向深度神經(jīng)網(wǎng)絡(luò)輸入第一域和第二域的樣本數(shù)據(jù)，對(duì)所述第一域和第二域的樣本數(shù)據(jù)進(jìn)行訓(xùn)練，使得在所述深度神經(jīng)網(wǎng)絡(luò)在第一域與第二域上各自具有分類能力；

S2：消除域間統(tǒng)計(jì)分布差異，使得第一域和第二域具有相近的統(tǒng)計(jì)分布特性；

S3：對(duì)第一域和第二域進(jìn)行加強(qiáng)內(nèi)聚集的訓(xùn)練；

S4：對(duì)符合預(yù)設(shè)條件的訓(xùn)練結(jié)果進(jìn)行保存。

2.如權(quán)利要求1所述的跨域網(wǎng)絡(luò)訓(xùn)練方法，其特征在于，所述步驟S1中對(duì)所述第一域和第二域的樣本數(shù)據(jù)進(jìn)行訓(xùn)練包括：

對(duì)所述第一域和第二域的樣本數(shù)據(jù)進(jìn)行損失函數(shù)Triplet-Loss的訓(xùn)練。

3.如權(quán)利要求2所述的跨域網(wǎng)絡(luò)訓(xùn)練方法，其特征在于，所述步驟S2包括：

當(dāng)所述損失函數(shù)Triplet-Loss穩(wěn)定且滿足收斂時(shí)，用所述第一域和第二域的最高維度特征計(jì)算最大均值差異損失MMD-Loss，并將結(jié)果加入合成損失函數(shù)，共同進(jìn)行反向傳播和梯度求導(dǎo)。

4.如權(quán)利要求3所述的跨域網(wǎng)絡(luò)訓(xùn)練方法，其特征在于，所述步驟S3包括：

將所述合成損失函數(shù)中的MMD-Loss去除，并加入所述第一域和所述第二域的混合Triplet-Loss，進(jìn)行加強(qiáng)內(nèi)聚丈的訓(xùn)練。

5.如權(quán)利要求4所述的跨域網(wǎng)絡(luò)訓(xùn)練方法，其特征在于，所述步驟S4包括：

當(dāng)加強(qiáng)內(nèi)聚集的訓(xùn)練的合成損失函數(shù)收斂且小于設(shè)定值時(shí)，對(duì)訓(xùn)練結(jié)果進(jìn)行保存。

6.如權(quán)利要求2所述的跨域網(wǎng)絡(luò)訓(xùn)|練方法，其特征在于，所述步驟S1中，所述進(jìn)行損失函數(shù)Triplet-Loss的訓(xùn)練還包括：

設(shè)置第一學(xué)習(xí)率，所述第一學(xué)習(xí)率初始值為0.001至0.01，每10輪所述進(jìn)行損失函數(shù)Triplet-Loss的訓(xùn)練，將第一學(xué)習(xí)率設(shè)置為0.7至0.9倍。

7.如權(quán)利要求6所述的跨域網(wǎng)絡(luò)訓(xùn)練方法，其特征在于，所述步驟S2中，設(shè)置第二學(xué)習(xí)率，所述第二學(xué)習(xí)率的初始值小于所述第一學(xué)習(xí)率的初始值，每10輪所述進(jìn)行加強(qiáng)內(nèi)聚集的訓(xùn)練，將第二學(xué)習(xí)率設(shè)置為0.7至0.9倍。

8.如權(quán)利要求7所述的跨域網(wǎng)絡(luò)訓(xùn)|練方法，其特征在于，所述第二學(xué)習(xí)率初始值為0.0001至0.001。

9.如權(quán)利要求7所述的跨域網(wǎng)絡(luò)訓(xùn)|練方法，其特征在于，所述步驟S3中，設(shè)置第三學(xué)習(xí)率，所述第三學(xué)習(xí)率的初始值小于所述第一學(xué)習(xí)率的初始值，每5輪所述進(jìn)行加強(qiáng)內(nèi)聚集的訓(xùn)練，將第三學(xué)習(xí)率設(shè)置為0.7至0.9倍。

10.如權(quán)利要求9所述的跨域網(wǎng)絡(luò)訓(xùn)練方法，其特征在于，所述第三學(xué)習(xí)率的初始值為0.0001至0.001。

11.如權(quán)利要求2所述的跨域網(wǎng)絡(luò)訓(xùn)練方法，其特征在于，所述步驟S1還包括：

對(duì)Triplet-Loss的訓(xùn)練結(jié)束后，提取所述第一域和第二域的特征，執(zhí)行數(shù)據(jù)降維，在二維空間畫山所述特征位置分布。

12.如權(quán)利要求3所述的跨域網(wǎng)絡(luò)訓(xùn)練方法，其特征在于，所述步驟S2還包括：

對(duì)合成損失函數(shù)訓(xùn)練結(jié)束后，提取所述第一域和第二域的特征，執(zhí)行數(shù)據(jù)降維，在二維空間畫山所述特征位置分布。

13.如權(quán)利要求4所述的跨域網(wǎng)絡(luò)訓(xùn)練方法，其特征在于，所述步驟S3還包括：

進(jìn)行加強(qiáng)內(nèi)聚集的訓(xùn)練結(jié)束后，提取所述第一域和第二域的特征，執(zhí)行數(shù)據(jù)降維，在二維空間畫山所述特征位置分布。

14.一種圖像識(shí)別方法，其特征在于，對(duì)深度神經(jīng)網(wǎng)絡(luò)進(jìn)行如權(quán)利要求1-13任一所述的訓(xùn)練，使用訓(xùn)練后的深度神經(jīng)網(wǎng)絡(luò)對(duì)圖像進(jìn)行識(shí)別。

15.一種存儲(chǔ)介質(zhì)，其特征在于，所述存儲(chǔ)介質(zhì)中存儲(chǔ)有計(jì)算機(jī)程序，其中，所述計(jì)算機(jī)程序被設(shè)置為運(yùn)行時(shí)執(zhí)行所述權(quán)利要求1-13任一所述的訓(xùn)練方法。