[發明專利]一種基于Fredholm學習和對抗學習的域適應方法

有效

• 申請號: 202010512323.4
• 申請日: 2020-06-08
• 公開（公告）號: CN111523680B
• 公開（公告）日: 2023-05-12
• 發明（設計）人: 鄭慧誠;彭志鋒;黃梓軒
• 申請（專利權）人: 中山大學
• 主分類號: G06N20/00
• 分類號: G06N20/00
• 代理公司: 深圳市創富知識產權代理有限公司 44367
• 代理人: 吳族平

1.一種基于Fredholm學習和對抗學習的域適應方法，其特征在于，所述方法包括：

S1特征提取，對源域數據X^s和目標域數據X^t用同一個特征提取器提取特征；

S2領域鑒別,在得到被提取特征后，要鑒別這些特征屬于哪個域；其中，所述領域鑒別分為兩個階段：(1)Fredholm特征的獲取；(2)域鑒別器進行鑒別；

S3樣本分類，使用兩個分類器，分類模塊接收特征提取器提取到的特征，輸入到全連接層中計算，并經過softmax后分別從源域分類器C^s和目標域分類器C^t輸出分類結果；

所述步驟S2中，還包括：

S2.1?Fredholm特征的獲取：

可以將被提取特征f^s和f^t映射為Fredholm特征，從而抑制被提取特征的噪聲信息；

關于數據x與z的Fredholm核函數公式如下：

這個公式中l表示有類標數據的數量，u表示無類標數據的數量，核函數k(·,·)和k_H(·,·)是不同的核函數，分別用外部核和內部核稱呼；

設f_i表示訓練數據中第i個數據的特征，f_j表示訓練數據中第j個數據的特征，則第i個數據的Fredholm特征的第j個特征項的計算公式如下：

把所有特征項整合到一起，就得到了第i個數據的Fredholm特征g_i，將所有Fredholm特征整理到一起并用g來表示；由于具有源域和目標域兩個域的數據，為了區分，用g^s表示這是源域數據的Fredholm特征，用g^t來表示目標域的Fredholm特征，其中特征項

所述步驟S3包括：

從源域分類器C^s和目標域分類器C^t輸出分類結果，用和表示，分類器的損失函數使用交叉熵損失；具體為以下步驟：

S3.1首先，根據已標注的源域樣本，在提取源域特征后，可以計算源域各個類的樣本的特征中心其中O表示類別數量，之后提取目標域樣本的特征，不同域但是同一類的樣本的特征應盡可能靠近，故目標域特征與哪一個源域特征中心最靠近，就認為該目標域樣本屬于那一類，從而賦偽類標，并根據偽類標分配結果，計算出目標域特征中心獲得初始的特征中心和目標域偽類標；

S3.2在每次迭代訓練時，源域根據提取的特征更新特征中心，目標域特征與之前得到的目標域特征中心進行比較，從而更新偽類標，進而更新目標域特征中心，同時，不同域而同一類的數據的特征中心盡可能接近，下列公式度量特征中心的距離：

2.根據權利要求1所述的基于Fredholm學習和對抗學習的域適應方法，其特征在于，所述步驟S2中，還包括：

S2.2域鑒別器進行鑒別

在這一階段，將獲取的Fredholm特征輸入到域鑒別器中，所述鑒別器使用全連接層，分別對g^s和g^t進行線性組合，最終輸出鑒別結果，并用和表示第i個源域樣本和第i個目標域樣本在域鑒別器的輸出。

3.根據權利要求2所述的基于Fredholm學習和對抗學習的域適應方法，其特征在于，所述步驟S2.2中，還包括：

鑒別器的目標函數如下：

其中，X^s表示源域數據，X^t表示目標域數據，和表示第i個源域樣本和第i個目標域樣本在域鑒別器的輸出。