[發明專利]面向行為識別的遷移學習方法及系統

有效

• 申請號: 202110123629.5
• 申請日: 2021-01-29
• 公開（公告）號: CN112861679B
• 公開（公告）日: 2023-01-20
• 發明（設計）人: 陳益強;盧旺;于漢超;楊曉東;張迎偉
• 申請（專利權）人: 中國科學院計算技術研究所
• 主分類號: G06V40/20
• 分類號: G06V40/20;G06V10/764;G06V10/774
• 代理公司: 北京泛華偉業知識產權代理有限公司 11280
• 代理人: 王勇

1.一種面向行為識別的遷移學習方法，包括：

獲取有標簽的數據和待標定的數據，其中，所述有標簽的數據的標簽類別包含所述待標定的數據的標簽類別；

將所述有標簽的數據作為源域數據，所述待標定的數據作為目標域數據，依據基于熵減的最優傳輸方案確定所述待標定的數據的標簽，其中，所述基于熵減的最優傳輸方案中包括對所述源域數據的標簽類別比例的熵進行限制，

所述基于熵減的最優傳輸方案為：

其中，T為從源域到目標域的基于熵減的最優傳輸方案，C為從源域到目標域的傳輸代價矩陣，C,T_F為從源域到目標域的傳輸總代價，H(T)為傳輸方案T的熵正則項，Ω(T)為組正則化項，D₁為源域數據的標簽類別的矩陣，為源域的經驗分布，為源域數據的標簽類別比例的熵正則項，γ、η₁、η₂為加權系數，為全1列向量，n_T為目標域數據的數量，n_S為源域數據的數量，ν為目標域數據的經驗分布。

2.根據權利要求1所述的遷移學習方法，其中，通過廣義條件梯度下降的方法獲得所述基于熵減的最優傳輸方案，包括：

3-1)初始化所述基于熵減的最優傳輸方案；

3-2)獲得當前最優傳輸方案的條件梯度下降方向；

3-3)獲得最優步長；

3-4)基于所述條件梯度下降方向和所述步長更新當前最優傳輸方案；以及

3-5)重復上述步驟3-2)至3-4)，直至所述最優傳輸方案收斂或達到迭代閾值。

3.根據權利要求2所述的遷移學習方法，其中，采用IBP算法獲得條件梯度下降方向，包括：

4-1)基于給定限制解空間中與當前最優傳輸方案KL散度最小的元素更新當前最優傳輸方案；

4-2)重復上述步驟4-1)，直至更新后的最優傳輸方案收斂或達到迭代閾值；

4-3)基于更新后的最優傳輸方案計算所述當前最優傳輸方案的條件梯度下降方向。

4.根據權利要求1所述的遷移學習方法，其中，所述依據基于熵減的最優傳輸方案確定所述待標定的數據的標簽包括：

依據所述基于熵減的最優傳輸方案將所述源域數據的標簽類型遷移到待標定的目標域數據，以確定所述待標定的數據的標簽。

5.一種面向行為識別的遷移學習系統，包括：

接口模塊，用于獲取有標簽的數據、待標定的數據，其中，所述有標簽的數據的標簽類別包含所述待標定的數據的標簽類別；

遷移模塊，用于將所述有標簽的數據作為源域數據，所述待標定的數據作為目標域數據，依據基于熵減的最優傳輸方案確定所述待標定的數據的標簽，其中，所述基于熵減的最優傳輸方案中包括對所述源域數據的標簽類別比例的熵進行限制，

所述基于熵減的最優傳輸方案為：

其中，T為從源域到目標域的基于熵減的最優傳輸方案，C為從源域到目標域的傳輸代價矩陣，C,T_F為從源域到目標域的傳輸總代價，H(T)為傳輸方案T的熵正則項，Ω(T)為組正則化項，D₁為源域數據的標簽類別的矩陣，為源域的經驗分布，為源域數據的標簽類別比例的熵正則項，γ、η₁、η₂為加權系數，為全1列向量，n_T為目標域數據的數量，n_S為源域數據的數量，v為目標域數據的經驗分布。

6.一種存儲介質，其中存儲有計算機程序，在所述計算機程序被處理器執行時，能夠用于實現權利要求1-4中任一項所述的方法。

7.一種電子設備，包括處理器和存儲器，所述存儲器中存儲有計算機程序，在所述計算機程序被處理器執行時，能夠用于實現權利要求1-4中任一項所述的方法。