可靠主动域适应方法、环境感知方法、装置及存储介质制造方法及图纸

本发明专利技术公开了一种可靠主动域适应方法、环境感知方法、装置及存储介质，属于技术领域，包括：构建数据集包括源域数据集和目标域数据集；计算数据集的投影矩阵和特征矩阵；设定模型参数；参数初始化；计算分类器预测误差；计算分类器样本权重矩阵；利用目标函数最小化求解分类器第ξ次迭代的输出层权重；令ξ自增1，如果ξ<Γ则计算分类器预测误差，否则进行样本均衡处理；令τ自增1，如果τ<Φ进行参数初始化，否则预测目标域无标注样本的类别。本发明专利技术能够在标签存在噪声的情况下，保持一定的鲁棒性；在出现较大漂移的情况下，能够主动请求目标域的关键样本打上标签并进行主动学习；能够防止数据类别不均衡情况下的过拟合问题。

【技术实现步骤摘要】
可靠主动域适应方法、环境感知方法、装置及存储介质
本专利技术涉及环境感知
，特别涉及一种可靠主动域适应方法、环境感知方法、装置及存储介质。
技术介绍
在迁移学习中，当源域和目标的数据分布不同，但两个任务相同时，这种特殊的迁移学习叫做域适应。领域自适应问题定义为：源域和目标域共享相同的特征和类别，但是特征分布不同，可以利用信息丰富的源域样本来提升目标域模型的性能。源域表示与测试样本不同的领域，具有丰富的监督标注信息；目标域表示测试样本所在的领域，无标签或者只有少量标签。源域和目标域往往属于同一类任务，但是分布不同。目前，已经出现了较多出色的域适应(DA)方法，主要分为三个部分：1)基于参数的DA；2)基于实例的DA；以及3)基于特征的DA。这其中深度学习域适应方法大多是基于特征的，这些方法可以进一步分为基于差异的DA和基于对抗的DA。域适应方法在环境感知中有较多的应用，比如轮式机器人在地面上运动时会遇到各种地形，而保证机器人安全地穿越地形、避免其处于危险环境是十分重要的。已有的研究主要集中于基于激光雷达或视觉传感器的对障碍物的识别。本文档来自技高网...

【技术保护点】
1.一种可靠主动域适应方法，其特征在于，包括：/nS1、构建有标签的源域数据集

【技术特征摘要】
1.一种可靠主动域适应方法，其特征在于，包括：
S1、构建有标签的源域数据集和无标签的目标域数据集令主动域适应迭代次数τ＝1，源域数据集和目标域数据集中的数据为序列数据；
S2、令第一分类器和第二分类器初始的输出层权重令分类器优化迭代次数ξ＝1；
S3、分别计算第一分类器和第二分类器的预测误差e1，i和e2，i；
S4、利用目标域数据集的投影矩阵Pt和样本矩阵Xt、预测误差e1，i和e2，i，基于目标函数最小化得到第ξ次迭代时第一分类器和第二分类器的输出层权重
S5、令ξ自增1，并判断是否满足ξ＜Γ，Γ是分类器优化最大迭代次数，若是则执行步骤S3，若否则令然后执行步骤S6；
S6、对按行求二范数得到并将δY中na个最大元素序号对应的样本打上标签，将na个打上标签后的样本从中移至中，更新源域数据集和目标域数据集的样本数量，其中，nt为目标域数据集中的样本数量，na是样本请求数量，是第一分类器的预测结果，是第二分类器的预测结果；
S7、令τ自增1，并判断是否满足τ＜Φ，则执行步骤S2，否则执行步骤S8；
S8、对于目标域数据集中的无标注样本x，采用预测x对应的类别。


2.如权利要求1所述的可靠主动域适应方法，其特征在于，所述分别计算第一分类器和第二分类器的预测误差e1，i和e2，i，包括：
计算所述第一分类器的预测误差
计算所述第二分类器的预测误差
其中，为样本对应的标签，C是标签的类别数量，ns为源域样本数量，为所述第一分类器在第ξ-1次迭代时的输出层权重，为所述第二分类器在第ξ-1次迭代时的输出层权重，为源域特征矩阵的元素。


3.如权利要求1所述的可靠主动域适应方法，其特征在于，所述目标函数为：



其中，ρ和λ均是权衡系数，Q是高斯函数的数量，是所述目标域数据集的投影矩阵的转置，即表示宽度为σq的高斯核函数，c表示高斯核函数的中心，γq(0≤γq≤1)表示第q个高斯核函数的权重，||·||F是F范数，所述目标域数据集的投影矩阵其中，d表示特征维度，D为样本维度；
所述目标域数据集的样本矩阵表示所述目标域数据集中的样本，nt为所述目标域数据集中的样本数量。


4.如权利要求1-3任一项所述的可靠主动域适应方法，其特征在于，还包括：
设定主动域适应最大迭代次数Φ＞2，分类器优化最大迭代次数Γ＞2，设定样本请求数量na＞0，设置权衡系数ρ＞0、权重参数λ＞0，特征维度d，设定高斯函数的数量Q、第q个高斯核宽σq(q＝1，2，…，Q)、高斯函数中心c以及高斯函数权重γq(q＝1，2，…，Q)的值；
还包括：
计算所述第一分类器和第二分类器的样本权重矩阵Λ1和Λ2，其中，样本权重矩阵Λ1的第i(i＝1，2，…，ns)个元素样本权重矩阵Λ2的第i(i＝1，2，…，ns)个元素Q表示使用的高斯核函数数量，σq表示第q(q＝1，2，…，Q)个高斯核函数宽度，即表示宽度为σq的高斯核函数，c表示高斯核函数的中心，γq(0≤γq≤1)表示第q个高斯核函数的权重，满足


5.一种可靠主动域适应装置，其特征在于，包括构建模块、初始化模块、预测误差计算模块、目标函数处理模块、第一判断模块、样本均衡模块、第二判断模块以及预测模块，其中：
构建模块用于构建有标签的源域数据集和无标签的目标域数据集令主动域适应迭代次数τ＝1，源域数据集和目标域数据集中的数据为序列数据；
初始化模块用于令第一分类器和第二分类器初始的输出层权重令分类器优化迭代次数ξ＝1；
预测误差计算模块用于分别计算第一分类器和第二分类器的预测误差e1，i和e2，i；
目标函数处理模块用于利用目标域数据集的投影矩阵Pt和样本矩阵Xt、预测误差e1，i和e2，i，基于目标函数最小化得到第ξ次迭代时第一分类器和第二分类器的输出层权重
第一判断模块用于令ξ自增1，并判断是否满足ξ＜Γ，Γ是分类器优化最大迭代次数，以及预测误差计算模块用于在第一判断模块判断结果为是时分别计算第一分类器和第二分类器的预测误差e1，i和e2，i；
样本均衡模块用于在第一判断模块输出结果为否时，对按行求二范数得到并将δY中na个最大元素序号对应的样本打上标签，将na个打上标签后的样本从中移至中，更新源域数据集和目标域数据集的样本数量，其中，nt为目标域数据集中的样本数量，na是样本请求数量，是第一分类器的预测结果，是第二分类器的预测结果；
第二判断模块用于令τ自增1，并判断是否满足τ＜Φ，以及初始化模块用于在第二判断模块输出结果为是时，令第一分类器和第二分类器初始的输出层权重令分类器优化迭代次数ξ＝1；
预测模块用于在第二判断模块输出结果为否时，用于对目标域数据集中的无标注样本x，采用预测x对应的类别。


6.如权利要求5所述的可靠主动域适应装置，其特征在于，所述预测误差计算模块具体用于：
计算所述第一分类器的预测误差
计算所述第二分类器的预测误差
其中，为样本对应的标签，C是标签的类别数量，ns为源域样本数量，为所述第一分类器在第ξ-1次迭代时的输出层权重，为所述第二分类器在第ξ-1次迭代时的输出层权重，为源域特征矩阵的元素。


7.如权利要求5所述的可靠主动域适应装置，其特征在于，所述目标函数为：



其中，ρ和λ均是权衡系数，Q是高斯函数的数量，是所述目标域数据集的投影矩阵的转置，即表示宽度为σq的高斯核函数，c表示高斯核函数的中心，γq(0≤γq≤1)表示第q个高斯核函数的权重，||·||F是F范数，所述目标域数据集的投影矩阵其中，d表示特征维度，D为样本维度；
所述目标域数据集的投影矩阵其中，d表示特征维度，D为样本维度；
所述目标域数据集的样本矩阵表示所述目标域数据集中的样本，nt为所述目标域数据集中的样本数量。


8.如权利要求5-7任一项所述的可靠主动域适应装置，其特征在于，还包括参数设置模块，用于设定主动域适应最大迭代次数Φ＞2，分类器优化最大迭代次数Γ＞2，设定样本请求数量na＞0，设置权衡系数ρ＞0、权重参数λ＞0，特征维度d，设定高斯函数的数量Q、第q个高斯核宽σq(q＝1，2，…，Q)、高斯函数中心c以及高斯函数权重γq(q＝1，2，…，Q)的值；
还包括样本权重矩阵计算模块，用于：
计算所述第一分类器和第二分类器的样本权重矩阵Λ1和Λ2，其中，样本权重矩阵Λ1的第i(i＝1，2，…，ns)个元素样本权重矩阵Λ2的第i(i＝1，2，…，ns)个元素Q表示使用的高斯核函数数量，σq表示第q(q＝1，2，…，Q)个高斯核函数宽度，即表示宽度为σq的高斯核函数，c表示高斯核函数的中心，γq(0≤γq≤1)表示第q个高斯核函数的权重，满足


9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行可实现如权利要求1-4中任意一项所述的可靠主动域适应方法。


10.一种环境感知方法，其特征在于，包括...

【专利技术属性】
技术研发人员：吕文君，康宇，李泽瑞，
申请(专利权)人：中国科学技术大学，
类型：发明
国别省市：安徽;34