[發(fā)明專利]用于域自適應學習的方法、裝置、設備、介質(zhì)和產(chǎn)品

在審

• 申請?zhí)枺?/td>: 202110162210.0
• 申請日: 2021-02-05
• 公開（公告）號: CN112836753A
• 公開（公告）日: 2021-05-25
• 發(fā)明（設計）人: 許鵬飛;王雅田;宋曉林;趙思成
• 申請（專利權）人: 北京嘀嘀無限科技發(fā)展有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62
• 代理公司: 北京市金杜律師事務所 11256
• 代理人: 羅利娜

本公開涉及用于域自適應學習的方法、裝置、設備、介質(zhì)和產(chǎn)品。在此描述的方法包括獲取源域的源視頻樣本集和目標域的目標視頻樣本集，源視頻樣本集中的源視頻樣本被標記為屬于多個已知類別中的一個；基于目標視頻樣本集中的多個目標視頻樣本與源視頻樣本集之間的多個相似度，確定多個目標視頻樣本各自屬于未知類別的概率；以及至少基于多個目標視頻樣本及其相應的概率，使先前采用源視頻樣本集預訓練的多分類模型適配于目標域。由此，能夠實現(xiàn)更可靠的視頻分類的域自適應學習。

技術領域

本公開總體上涉及計算機視覺領域，更特別地涉及用于域自適應學習的方法、裝置、電子設備、計算機可讀存儲介質(zhì)和計算機程序產(chǎn)品。

背景技術

域自適應(domain adaptation，DA)在計算機視覺領域具有先進性能。域自適應指的是將從具有足夠監(jiān)督信息的相關域(稱為“源域”)學習到的知識遷移到?jīng)]有監(jiān)督信息的另一個域(稱為“目標域”)。例如，對于分類任務，域自適應指的是將通過帶有分類標簽的訓練數(shù)據(jù)訓練得到的分類器遷移到分類標簽未知的數(shù)據(jù)域。

當前已經(jīng)提出的域自適應學習的大多數(shù)方法都基于封閉集的假設，即假設源域包含目標域中的所有類別。然而，這樣的假設在很多實際應用可能不成立。實際應用中更常見的場景是目標域存在與源域不對應的類別，例如目標域存在比源域更多的類別。這樣的域自適應稱為“開放集”域自適應。相比于封閉集的假設，在開放集域自適應中未知類別的存在使模型從源域到目標域的遷移學習更困難，容易出現(xiàn)錯誤遷移問題。

此外，由于視頻數(shù)據(jù)在空間和時間維度上的信息更復雜，因此在針對視頻數(shù)據(jù)的域自適應學習也面臨更大挑戰(zhàn)。期望能夠提供更可靠的域自適應學習方案，特別是針對視頻數(shù)據(jù)的域自適應學習方案。

發(fā)明內(nèi)容

根據(jù)本公開的一些實施例，提供了一種用于域自適應學習的方案。

在本公開的第一方面，提供了一種用于域自適應學習的方法。該方法包括獲取源域的源視頻樣本集和目標域的目標視頻樣本集，源視頻樣本集中的源視頻樣本被標記為屬于多個已知類別中的一個；基于目標視頻樣本集中的多個目標視頻樣本與源視頻樣本集之間的多個相似度，確定多個目標視頻樣本各自屬于未知類別的概率；以及至少基于多個目標視頻樣本及其相應的概率，使先前采用源視頻樣本集預訓練的多分類模型適配于目標域。

在本公開的第二方面，提供了一種用于域自適應學習的裝置。該裝置包括獲取模塊，被配置為獲取源域的源視頻樣本集和目標域的目標視頻樣本集，所述源視頻樣本集中的源視頻樣本被標記為屬于多個已知類別中的一個；概率確定模塊，被配置為基于所述目標視頻樣本集中的多個目標視頻樣本與所述源視頻樣本集之間的多個相似度，確定所述多個目標視頻樣本各自屬于未知類別的概率；以及域適配模塊，被配置為至少基于所述多個目標視頻樣本及其相應的所述概率，使先前采用所述源視頻樣本集預訓練的多分類模型適配于所述目標域。

在本公開的第三方面，提供了一種電子設備，包括存儲器和處理器，其中存儲器用于存儲計算機可執(zhí)行指令，計算機可執(zhí)行指令被處理器執(zhí)行以實現(xiàn)根據(jù)本公開的第一方面的方法。

在本公開的第四方面，提供了一種計算機可讀存儲介質(zhì)，其上存儲有計算機可執(zhí)行指令，其中計算機可執(zhí)行指令被處理器執(zhí)行實現(xiàn)根據(jù)本公開的第一方面的方法。

在本公開的第五方面，提供了一種計算機程序產(chǎn)品，包括計算機程序/指令，計算機程序/指令被處理器執(zhí)行時實現(xiàn)根據(jù)本公開的第一方面的方法。

附圖說明

結合附圖并參考以下詳細說明，本公開各實現(xiàn)方式的特征、優(yōu)點及其他方面將變得更加明顯。在此以示例性而非限制性的方式示出了本公開的若干實現(xiàn)方式，在附圖中：

圖1示出了根據(jù)本公開的一些實施例的用于域自適應學習的示例環(huán)境的框圖；

圖2示出了根據(jù)本公開的一些實施例的用于域自適應學習的架構框圖；