[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

本發明提供了一種面向行為識別的遷移學習方法和系統，該方法依據基于熵減的最優傳輸方案確定待標定的數據的標簽，其中，基于熵減的最優傳輸方案中包括對源域數據的標簽類別比例的熵進行限制。本發明中的遷移學習方法和系統能夠在目標域數據類別少于源域數據類別的情況下，使得源域中分布的類別相對集中，源域分布與目標域更加匹配，從而有效減少負遷移，更魯棒、準確地獲取目標域待標定數據標簽。

技術領域

本發明涉及計算機數據挖掘分析技術領域，尤其涉及用于面向行為識別的遷移學習方法及系統。

背景技術

傳統的可穿戴行為識別主要采用統一的識別模型，即利用已有的標定數據離線訓練分類模型，并利用該分類模型對所有新數據行為進行識別分類。然而，這類分類模型嚴重依賴于使用的標定數據的分布，當面對分布與使用的標定數據分布不一致的新的采集數據時，其準確性與泛化能力往往不盡人意。例如，不同的傳感設備往往佩戴于人體不同位置，其行為數據分布往往也不一致，直接利用通過腕部采集的數據獲得的模型難以在腰部等其他位置采集的數據獲得較好的標定效果。又如，針對某些用戶依賴性強的數據(例如，表面肌電信號)，不同用戶的數據之間差異性也較大，利用某一用戶數據獲得的模型也難以準確標定其他用戶的數據。

針對上述問題，學者們提出了遷移學習方法，將解決一個問題時獲得的知識應用到解決另一個不同但相關的問題當中，進而在執行新的任務中時效更高、效果更好。例如，中國專利申請CN110472576A公開了一種實現移動人體行為識別的方法，通過傳感器采集一定數量基礎用戶不同行為的三軸加速度數據，并基于壓縮感知技術構造基礎過完備矩陣字典，通過遷移學習方法對新用戶無標簽新數據進行標定，并利用標定后的新數據重構出適合該用戶的個性化過完備矩陣字典，最后通過基于個性化過完備矩陣字典的壓縮感知分類器標定出新用戶行為；中國專利申請CN107886061A公開了一種基于多模態深度玻爾茲曼機的人體行為識別方法，首先獲取視覺和可穿戴傳感器的數據，然后建立視覺數據和可穿戴傳感器多模態融合模型，利用深度神經網絡進行異構遷移學習實現對缺失數據的重構，利用softmax回歸模型分類器進行分類，最終根據用戶個體特性對公共樣本數據產生的深度網絡模型進行自適應調整；中國專利申請CN106056043A公開了一種基于遷移學習的目標動物行為識別方法，首先對數據進行特征提取，然后采用遷移學習中的領域適應學習法將所述原始特征映射到共同空間中，得到新的特征，接著利用所述新的特征訓練SVM分類器，得到行為識別模型，同時對所述目標動物行為識別模型進行測試，最終利用所述動物行為識別模型對目標動物的待標定行為進行標定。最新的已有遷移學習方法中采用了一種基于最優傳輸的域自適應方法，通過最優傳輸理論，在熵正則項的優化目標之外，加上組正則項或拉普拉斯正則項以充分利用源域標簽信息，來獲取源域與目標域數據樣本關聯，從而利用源域標簽信息輔助標注目標域樣本。

然而，已有大部分面向行為識別的遷移學習方法聚焦于源域與目標域數據類別空間一致的情況，當出現源域類別包含目標域類別且目標域類別少于源域類別時候，由于源域中多余類別的影響，會產生負遷移，并導致模型魯棒性差。

因此，亟需一種新的面向行為識別的遷移學習方法和系統。

發明內容

因此，本發明實施例的目的在于克服上述現有技術的缺陷，提供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。

在一個實施例中，所述基于熵減的最優傳輸方案中還包括對所述源域數據分布進行加權處理。

在一個實施例中，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：初始化所述基于熵減的最優傳輸方案；獲得當前最優傳輸方案的條件梯度下降方向；獲得最優步長；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；以及重復上述步驟直至所述最優傳輸方案收斂或達到迭代閾值。