[發明專利]實現領域自適應的方法、裝置、電子設備及介質

在審

• 申請號: 202010187988.2
• 申請日: 2020-03-17
• 公開（公告）號: CN111680697A
• 公開（公告）日: 2020-09-18
• 發明（設計）人: 田永鴻;張翀;李宗賢;葉齊祥
• 申請（專利權）人: 北京大學
• 主分類號: G06K9/46
• 分類號: G06K9/46;G06N3/08
• 代理公司: 北京辰權知識產權代理有限公司 11619
• 代理人: 付婧

1.一種實現領域自適應的方法，其特征在于，包括：

基于預設的第一神經網絡模型，對樣本圖像進行特征提取，獲取所述樣本圖像對應的至少兩個樣本圖像特征；

利用所述至少兩個樣本圖像特征，得到至少兩個難度因子，所述難度因子為所述樣本圖像特征與目標圖像特征之間的特征距離，所述樣本圖像特征與所述目標圖像特征相對應；

利用所述至少兩個難度因子，獲取損失函數，所述損失函數用于對齊所述樣本圖像特征以及所述目標圖像特征；

利用所述損失函數以及隨機梯度下降法，實現目標領域自適應。

2.如權利要求1所述的方法，其特征在于，所述利用所述至少兩個樣本圖像特征，得到至少兩個難度因子，包括：

獲取所述至少兩個目標圖像特征，所述目標圖像特征為與所述第一神經網絡模型權重相同的神經網絡提取的圖像特征；

分別計算每個樣本圖像特征與目標圖像特征之間的在希爾伯特內核空間的最大平均差異距離值，并將每個最大平均差異距離值作為對應的難度因子。

3.如權利要求1或2所述的方法，其特征在于，所述利用所述至少兩個難度因子，獲取損失函數，包括：

基于所述難度因子，得到所述樣本圖像特征與所述目標圖像特征對應的域偏移損失函數，域自適應對抗損失函數；

利用所述第一神經網絡模型，得到預設的任務特定損失函數；

基于所述任務特定損失函數、所述域偏移損失函數以及所述域自適應對抗損失函數，獲取所述損失函數。

4.如權利要求3所述的方法，其特征在于，在所述獲取所述損失函數之后，還包括：

利用所述損失函數與樣本數據，將所述樣本圖像與所述目標圖像進行特征對齊；

利用特征對齊后的樣本圖像、樣本數據與所述隨機梯度下降法，對所述第一神經網絡模型進行反向訓練，得到第二神經網絡模型，所述樣本數據對應于所述樣本圖像，所述反向訓練對應于最小化損失損失函數；

基于所述第二神經網絡模型，實現所述目標領域自適應。

5.如權利要求1所述的方法，其特征在于，在所述得到至少兩個難度因子之后，還包括：

基于所述樣本圖像對應的至少兩個難度因子，獲取所述樣本圖像對應的難度因子平均值；

根據每個樣本圖像對應的難度因子平均值的數值高低，對各樣本圖像進行樣本難度排序；

基于所述排序后的各樣本圖像以及所述損失函數，實現所述目標領域自適應。

6.如權利要求5所述的方法，其特征在于，所述基于排序后的各樣本圖像，實現所述目標領域自適應，包括：

選取所述排序后的各樣本圖像中，排序范圍在預設范圍的樣本圖像作為待更新樣本圖像；

利用所述待更新樣本圖像對所述第一神經網絡模型進行反向訓練，得到經過目標次數的更新后的所述待更新樣本圖像；

基于所述經過目標次數的更新后的所述待更新樣本圖像，實現所述目標領域自適應。

7.如權利要求1所述的方法，其特征在于，利用如下公式得到難度因子，包括：

其中，為第i個樣本圖像特征，為第i個目標圖像特征，γ為最大平均差異距離值，k為徑向基函數。

8.如權利要求1所述的方法，其特征在于，在所述得到至少兩個難度因子之后，還包括：

基于最小化特征距離的方法，利用難度因子，構建域偏移損失函數，其公式為：

L_γ＝γ

基于預設的對抗學習框架，利用難度因子和域標簽預測概率，構建特征對齊網絡。；

其中，基于如下公式構建所述基于對抗學習的域自適應對抗損失：

L_adv(x^s，x^t)＝L_focal(p，y＝1)+L_focal(p，y＝0)，

其中

y表示域標簽，對于源域中的樣本，該標簽為1，否則為0。p圖像分配為源域圖像的概率。