【技术实现步骤摘要】
一种基于对抗残差变换网络的无监督领域自适应方法
本专利技术涉及计算机数据挖掘领域，尤其是涉及一种基于对抗残差变换网络的无监督领域自适应方法。
技术介绍
大规模标记数据集训练的深度神经网络可以在不同的任务中实现出色的性能，然而，由于特征的可传递性随着基础任务和目标任务之间的距离的增加而降低，因此它们在新任务上通常无法很好地进行概括。为了解决这个问题，域适应(DA)被提出，它属于转移学习的领域，利用在一个特定领域所学的知识，有效地提高相关但不同领域的性能。DA的早期方法旨在学习域不变特征，通过共同最小化距离来表示数据，衡量一对源域和目标域之间适应性的指标，近年来，生成对抗网络(GANS)的概念已广泛应用于DA。在对抗域自适应中，存在对称和非对称的自适应结构，可以有效地适应源域和目标域的分布。前者在源域和目标域中的特性是由同一个网络生成的，后者则是由不同的网络生成。前者的泛化能力较差，而后者难以训练。为了解决上述问题，我们提出一种新的对抗域自适应特征共享模型，实现了非对称体系结构的灵活性，同时使其易于训练。在此方法的模型结...
【技术保护点】
1.一种基于对抗残差变换网络的无监督领域自适应方法，其特征在于，包括以下步骤：/n步骤S1：特征提取器提取源域的源数据和目标域的目标数据的特征分布；/n步骤S2：转换网络将所述源数据的特征分布映射到所述目标域，生成伪造目标数据；/n步骤S3：所述伪造目标数据通过训练建立标签分类器，通过所述标签分类器预测目标数据的标签值；/n步骤S4：域分类器对比所述伪造目标数据与目标数据，并将对比结果反馈给所述特征提取器，特征提取器根据对比结果对特征分布的提取过程进行改进，所述转换网络优化源数据到目标域的映射方式；/n步骤S5：循环执行步骤S1-S4，直至域分类器不能准确分辨伪造目标数据与...
【技术特征摘要】
1.一种基于对抗残差变换网络的无监督领域自适应方法，其特征在于，包括以下步骤：
步骤S1：特征提取器提取源域的源数据和目标域的目标数据的特征分布；
步骤S2：转换网络将所述源数据的特征分布映射到所述目标域，生成伪造目标数据；
步骤S3：所述伪造目标数据通过训练建立标签分类器，通过所述标签分类器预测目标数据的标签值；
步骤S4：域分类器对比所述伪造目标数据与目标数据，并将对比结果反馈给所述特征提取器，特征提取器根据对比结果对特征分布的提取过程进行改进，所述转换网络优化源数据到目标域的映射方式；
步骤S5：循环执行步骤S1-S4，直至域分类器不能准确分辨伪造目标数据与目标数据，即对抗残差变换网络模型的损失函数的值收敛，所述转换网络的映射方式使源域和目标域之间达到域适应状态。
2.根据权利要求1所述的一种基于对抗残差变换网络的无监督领域自适应方法，其特征在于，所述损失函数的公式具体为：
其中，表示源域第i个样本的域标签，表示目标域第i个样本的真实域标签，Lc、Lt、Ls分别表示标签分类器的损失、目标数据在域分类器的损失和源数据在域分类器的损失，θd、θg、θc、θt分别为域分类器、特征提取器、标签分类器及转换网络的设定参数，ns为源域中样本数量，Ds表示源域，Dt表示目标域，xi表示对应域中第i个样本实例，yi表示源域中样本实例对应的标签类别，xs表示源域的源数据，D表示域分类器函数，T表示转换网络函数，G表示特征提取器函数，C表示标签分类器函数，L为目标域的目标函数。
3.根据权利要求2所述的一种基于对抗残差变换网络的无监督领域自适应方法，其特征在于，所述源域的源数据包括源域...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。