用于域自适应学习的方法、装置、设备、介质和产品制造方法及图纸

本公开涉及用于域自适应学习的方法、装置、设备、介质和产品。在此描述的方法包括获取源域的源视频样本集和目标域的目标视频样本集，源视频样本集中的源视频样本被标记为属于多个已知类别中的一个；基于目标视频样本集中的多个目标视频样本与源视频样本集之间的多个相似度，确定多个目标视频样本各自属于未知类别的概率；以及至少基于多个目标视频样本及其相应的概率，使先前采用源视频样本集预训练的多分类模型适配于目标域。由此，能够实现更可靠的视频分类的域自适应学习。

【技术实现步骤摘要】
用于域自适应学习的方法、装置、设备、介质和产品
本公开总体上涉及计算机视觉领域，更特别地涉及用于域自适应学习的方法、装置、电子设备、计算机可读存储介质和计算机程序产品。
技术介绍
域自适应(domainadaptation，DA)在计算机视觉领域具有先进性能。域自适应指的是将从具有足够监督信息的相关域(称为“源域”)学习到的知识迁移到没有监督信息的另一个域(称为“目标域”)。例如，对于分类任务，域自适应指的是将通过带有分类标签的训练数据训练得到的分类器迁移到分类标签未知的数据域。当前已经提出的域自适应学习的大多数方法都基于封闭集的假设，即假设源域包含目标域中的所有类别。然而，这样的假设在很多实际应用可能不成立。实际应用中更常见的场景是目标域存在与源域不对应的类别，例如目标域存在比源域更多的类别。这样的域自适应称为“开放集”域自适应。相比于封闭集的假设，在开放集域自适应中未知类别的存在使模型从源域到目标域的迁移学习更困难，容易出现错误迁移问题。此外，由于视频数据在空间和时间维度上的信息更复杂，因此在针对视频数据的域自适应学习也面临本文档来自技高网...

【技术保护点】
1.一种用于域自适应学习的方法，包括：/n获取源域的源视频样本集和目标域的目标视频样本集，所述源视频样本集中的源视频样本被标记为属于多个已知类别中的一个；/n基于所述目标视频样本集中的多个目标视频样本与所述源视频样本集之间的多个相似度，确定所述多个目标视频样本各自属于未知类别的概率；以及/n至少基于所述多个目标视频样本及其相应的所述概率，使先前采用所述源视频样本集预训练的多分类模型适配于所述目标域。/n

【技术特征摘要】
1.一种用于域自适应学习的方法，包括：
获取源域的源视频样本集和目标域的目标视频样本集，所述源视频样本集中的源视频样本被标记为属于多个已知类别中的一个；
基于所述目标视频样本集中的多个目标视频样本与所述源视频样本集之间的多个相似度，确定所述多个目标视频样本各自属于未知类别的概率；以及
至少基于所述多个目标视频样本及其相应的所述概率，使先前采用所述源视频样本集预训练的多分类模型适配于所述目标域。


2.根据权利要求1所述的方法，其中所述多个相似度通过以下至少一项确定：
利用二元分类器来确定所述多个目标视频样本各自属于所述多个已知类别的概率，以获得每个目标视频样本与所述源视频样本集之间的第一相似度，所述二元分类器基于所述源视频样本集而被预先训练；以及
确定每个目标视频样本与多个参考特征中的一个参考特征之间的最优传输距离，以获得每个目标视频样本与所述源视频样本集之间的第二相似度，所述多个参考特征与所述多个已知类别和所述未知类别相对应，并且基于所述源视频样本集而被确定。


3.根据权利要求2所述的方法，其中确定所述多个目标视频样本各自属于所述未知类别的概率包括：
基于所述第一相似度和所述第二相似度中的至少之一，将所述多个目标视频样本划分到与所述多个已知类别对应的已知类别候选组和与所述未知类别对应的未知类别候选组；以及
基于所述划分的结果，确定所述多个目标视频样本各自属于所述未知类别的概率。


4.根据权利要求1所述的方法，其中使所述多分类模型适配于所述目标域包括：
基于所述多个目标视频样本各自的所述概率，向所述多个目标视频样本分配各自的第一分类学习权重，所述多个目标视频样本各自的所述第一分类学习权重与各自的所述概率呈正相关，其中每个目标视频样本的第一分类学习权重指示该目标视频样本在所述多分类模型的训练中的受关注程度；以及
基于所述多个目标视频样本及其相应的所述第一分类学习权重来训练所述多分类模型，使得所述多分类模型从所述多个目标视频样本学习所述未知类别的特性，以适配于所述目标域。


5.根据权利要求1所述的方法，其中使所述多分类模型适配于所述目标域包括：
基于所述多个...

【专利技术属性】
技术研发人员：许鹏飞，王雅田，宋晓林，赵思成，
申请(专利权)人：北京嘀嘀无限科技发展有限公司，
类型：发明
国别省市：北京;11