[發(fā)明專利]實(shí)現(xiàn)領(lǐng)域自適應(yīng)的方法、裝置、電子設(shè)備及介質(zhì)

在審

• 申請(qǐng)?zhí)枺?/td>: 202010187988.2
• 申請(qǐng)日: 2020-03-17
• 公開（公告）號(hào): CN111680697A
• 公開（公告）日: 2020-09-18
• 發(fā)明（設(shè)計(jì)）人: 田永鴻;張翀;李宗賢;葉齊祥
• 申請(qǐng)（專利權(quán)）人: 北京大學(xué)
• 主分類號(hào): G06K9/46
• 分類號(hào): G06K9/46;G06N3/08
• 代理公司: 北京辰權(quán)知識(shí)產(chǎn)權(quán)代理有限公司 11619
• 代理人: 付婧

本申請(qǐng)公開了一種實(shí)現(xiàn)領(lǐng)域自適應(yīng)的方法、裝置、電子設(shè)備及介質(zhì)。其中，在基于預(yù)設(shè)的第一神經(jīng)網(wǎng)絡(luò)模型，對(duì)樣本圖像進(jìn)行至少兩個(gè)樣本圖像特征提取后，可以利用至少兩個(gè)樣本圖像特征，得到至少兩個(gè)難度因子，該難度因子為樣本圖像特征與目標(biāo)圖像特征之間的特征距離，并利用至少兩個(gè)難度因子，獲取損失函數(shù)，進(jìn)而根據(jù)該損失函數(shù)以及隨機(jī)梯度下降法，實(shí)現(xiàn)目標(biāo)領(lǐng)域自適應(yīng)。通過應(yīng)用本申請(qǐng)的技術(shù)方案，可以利用原有的樣本圖像數(shù)據(jù)中的圖像特征生成對(duì)應(yīng)的難度因子，并根據(jù)難度因子的不同進(jìn)行對(duì)應(yīng)強(qiáng)度的特征對(duì)齊。從而使得神經(jīng)網(wǎng)絡(luò)模型無法區(qū)分源域樣本和目標(biāo)域樣本，進(jìn)而達(dá)到覆蓋源域和目標(biāo)域的特征表示的目的。從而實(shí)現(xiàn)神經(jīng)網(wǎng)絡(luò)模型的領(lǐng)域自適應(yīng)。

技術(shù)領(lǐng)域

本申請(qǐng)中涉及圖像數(shù)據(jù)處理技術(shù)，尤其是一種實(shí)現(xiàn)領(lǐng)域自適應(yīng)的方法、裝置、電子設(shè)備及介質(zhì)。

背景技術(shù)

近年來，隨著神經(jīng)網(wǎng)絡(luò)近年來迅速發(fā)展，在圖像分類、目標(biāo)檢測、圖像分割等眾多領(lǐng)域均取得了重大的突破，并成為了計(jì)算機(jī)視覺中最重要的技術(shù)之一。

相關(guān)技術(shù)中，現(xiàn)有的神經(jīng)網(wǎng)絡(luò)模型在不滿足訓(xùn)練數(shù)據(jù)和測試數(shù)據(jù)同分布的情況下，在新域上的測試性能會(huì)有明顯下降。這是因?yàn)樯窠?jīng)網(wǎng)絡(luò)模型是從已有的數(shù)據(jù)中學(xué)習(xí)數(shù)據(jù)特征，擬合得到的只有訓(xùn)練數(shù)據(jù)的規(guī)律，當(dāng)訓(xùn)練好的學(xué)習(xí)模型部署到實(shí)際生產(chǎn)生活中時(shí)，其需要處理復(fù)雜的環(huán)境，包括訓(xùn)練數(shù)據(jù)中未出現(xiàn)的情景，此時(shí)已經(jīng)訓(xùn)練好的模型性能會(huì)大打折扣。因此，使模型能在檢測目標(biāo)圖像中保持良好的精準(zhǔn)度至關(guān)重要。

因此，如何建立神經(jīng)網(wǎng)絡(luò)模型的無監(jiān)督學(xué)習(xí)和領(lǐng)域自適應(yīng)，是本領(lǐng)域技術(shù)人員需要解決的問題。

發(fā)明內(nèi)容

本申請(qǐng)實(shí)施例提供一種實(shí)現(xiàn)領(lǐng)域自適應(yīng)的方法、裝置、電子設(shè)備及介質(zhì)；本申請(qǐng)用于解決神經(jīng)網(wǎng)絡(luò)模型在實(shí)際應(yīng)用場景中無法精確輸出數(shù)據(jù)結(jié)果的問題。

其中，根據(jù)本申請(qǐng)實(shí)施例的一個(gè)方面，提供的一種實(shí)現(xiàn)領(lǐng)域自適應(yīng)的方法，其特征在于，包括：

基于預(yù)設(shè)的第一神經(jīng)網(wǎng)絡(luò)模型，對(duì)樣本圖像進(jìn)行特征提取，獲取所述樣本圖像對(duì)應(yīng)的至少兩個(gè)樣本圖像特征；

利用所述至少兩個(gè)樣本圖像特征，得到至少兩個(gè)難度因子，所述難度因子為所述樣本圖像特征與目標(biāo)圖像特征之間的特征距離，所述樣本圖像特征與所述目標(biāo)圖像特征相對(duì)應(yīng)；

利用所述至少兩個(gè)難度因子，獲取損失函數(shù)，所述損失函數(shù)用于對(duì)齊所述樣本圖像特征以及所述目標(biāo)圖像特征；

利用所述損失函數(shù)以及隨機(jī)梯度下降法，實(shí)現(xiàn)目標(biāo)領(lǐng)域自適應(yīng)。

可選地，在基于本申請(qǐng)上述方法的另一個(gè)實(shí)施例中，所述利用所述至少兩個(gè)樣本圖像特征，得到至少兩個(gè)難度因子，包括：

獲取所述至少兩個(gè)目標(biāo)圖像特征，所述目標(biāo)圖像特征為與所述第一神經(jīng)網(wǎng)絡(luò)模型權(quán)重相同的神經(jīng)網(wǎng)絡(luò)提取的圖像特征；

分別計(jì)算每個(gè)樣本圖像特征與目標(biāo)圖像特征之間的在希爾伯特內(nèi)核空間的最大平均差異距離值，并將每個(gè)最大平均差異距離值作為對(duì)應(yīng)的難度因子。

可選地，在基于本申請(qǐng)上述方法的另一個(gè)實(shí)施例中，所述利用所述至少兩個(gè)難度因子，獲取損失函數(shù)，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(biāo)圖像特征對(duì)應(yīng)的域偏移損失函數(shù)，域自適應(yīng)對(duì)抗損失函數(shù)；

利用所述第一神經(jīng)網(wǎng)絡(luò)模型，得到預(yù)設(shè)的任務(wù)特定損失函數(shù)、；

基于所述任務(wù)特定損失函數(shù)、所述域偏移損失函數(shù)以及所述域自適應(yīng)對(duì)抗損失函數(shù)，獲取所述損失函數(shù)。

可選地，在基于本申請(qǐng)上述方法的另一個(gè)實(shí)施例中，在所述獲取所述損失函數(shù)之后，還包括：

利用所述損失函數(shù)與樣本數(shù)據(jù)，將所述樣本圖像與所述目標(biāo)圖像進(jìn)行特征對(duì)齊；