[發明專利]神經網絡的訓練方法、數據獲取方法和裝置

在審

• 申請號: 202010594053.6
• 申請日: 2020-06-24
• 公開（公告）號: CN111898635A
• 公開（公告）日: 2020-11-06
• 發明（設計）人: 韓亞洪;姜品;武阿明;邵云峰;齊美玉;李秉帥
• 申請（專利權）人: 華為技術有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;G06N3/08
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.一種神經網絡的訓練方法，其特征在于，包括：

獲取訓練數據；

使用所述訓練數據對神經網絡進行訓練，使得所述神經網絡從所述訓練數據中學習分解域不變特征和域特定特征；

其中，所述域特定特征為表征所述訓練數據所屬的領域的特征，所述域不變特征為與所述訓練數據所屬領域無關的特征。

2.根據權利要求1所述的方法，其特征在于，所述使用所述訓練數據對神經網絡進行訓練包括：

從所述訓練數據的特征中分解出域不變特征和域特定特征；

使用所述域不變特征執行任務，得到任務損失，并計算所述域不變特征和所述域特定特征之間的互信息損失，所述任務損失用于表征使用所述域不變特征執行任務所得到的結果與任務標簽之間的差距，所述互信息損失用于表示所述域不變特征和所述域特定特征之間的差異；

根據所述任務損失和所述互信息損失，訓練所述神經網絡。

3.根據權利要求2所述的方法，其特征在于，還包括：

使用所述域特定特征進行域分類，得到域分類損失；

其中，所述根據所述任務損失和所述互信息損失，訓練所述神經網絡，包括：

根據所述任務損失、所述互信息損失和所述域分類損失訓練所述神經網絡。

4.根據權利要求2或3所述的方法，其特征在于，所述從所述訓練數據的特征中分解出域不變特征和域特定特征，包括：

從所述訓練數據中提取初始特征；

將所述初始特征分解成所述域不變特征和所述域特定特征，

其中，所述方法，還包括：

訓練所述神經網絡，以減小所述初始特征所包含的信息與所述域不變特征和所述域特定特征共同包含的信息之間的差異。

5.根據權利要求4所述的方法，其特征在于，在所述訓練所述神經網絡，以減小所述初始特征所包含的信息與所述域不變特征和所述域特定特征共同包含的信息之間的差異之前，還包括：

使用所述域不變特征和所述域特定特征對所述初始特征進行重建，得到重建特征；

比較所述初始特征和所述重建特征，以確定所述初始特征所包含的信息與所述域不變特征和所述域特定特征共同包含的信息之間的差異。

6.根據權利要求2所述的方法，其特征在于，還包括：

使用所述域不變特征和所述域特定特征對初始特征進行重建，得到重建特征，其中所述域不變特征和所述域特定特征是從所述初始特征中分解出的特征；

比較所述初始特征和所述重建特征以獲取重建損失，所述重建損失用于表征所述初始特征所包含的信息與所述域不變特征和所述域特定特征共同包含的信息之間的差異，

其中，所述根據所述任務損失和所述互信息損失，訓練所述神經網絡，包括：

根據所述任務損失，對所述神經網絡進行第一階段的訓練；

根據所述互信息損失，對所述神經網絡進行第二階段的訓練，

其中，所述方法還包括：

根據所述重建損失，對所述神經網絡進行第三階段的訓練。

7.根據權利要求2或3所述的方法，其特征在于，所述神經網絡包括第一解耦器和第二解耦器，所述從所述訓練數據的特征中分解出域不變特征和域特定特征，包括：

從所述訓練數據中提取所述訓練數據的第一特征；

采用所述第一解耦器從所述第一特征中提取初步域不變特征和初步域特定特征；

將所述初步域不變特征與所述第一特征融合，得到第二特征；

從所述第二特征中提取所述訓練數據的第三特征；

采用第二解耦器從所述第三特征中提取所述域不變特征和所述域特定特征。

8.根據權利要求7所述的方法，其特征在于，還包括：

訓練所述神經網絡，以減小所述第三特征所包含的信息與所述域不變特征和所述域特定特征共同所包含的信息之間的差異。

9.根據權利要求1至8中的任一項所述的方法，其特征在于，所述神經網絡用于進行域自適應學習，所述訓練數據包括不同領域的圖像數據。