基于对比对抗学习的领域自适应方法及装置制造方法及图纸

基于对比对抗学习的领域自适应方法及装置，在源域数据上使用损失函数L

【技术实现步骤摘要】
基于对比对抗学习的领域自适应方法及装置


[0001]本专利技术涉及计算机视觉的
，尤其涉及一种基于对比对抗学习的领域自适应方法，以及基于对比对抗学习的领域自适应装置。

技术介绍

[0002]本专利技术重点解决无监督领域自适应的图像分类问题，将深度网络和领域自适应问题相结合。通过在特征空间对样本的特征进行处理，减小源域和目标域分布的差异，使得源域上学到的知识同样可以作用于目标域。深度无监督领域自适应作为一个备受关注的研究领域，已有大量的学者参与了这个领域的研究工作。目前，深度无监督领域自适应方法主要可以分为三类，分别是：基于分布距离度量的方法，基于域对抗的方法以及基于重构误差的方法。
[0003](1)基于分布距离度量的方法：
[0004]这类方法的核心思想是通过最小化不同域之间的分布距离来实现不同域数据之间的对齐。目前最大平均差异(MMD)、相关性对齐(CORAL)和Wasserstein度量这三类度量分布距离的方式被广泛应用在这类算法中。最大平均差异(MMD)最初用于检验两个分布是否相同，现在一般用于度量两个分布之间的相本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于对比对抗学习的领域自适应方法，其特征在于：该方法包括以下步骤：(1)在源域数据上使用损失函数L
cls
(x
s
，y
s
)训练整个网络模型，优化过程定义为公式(1)：其中，L
ce
(
·
，
·
)是交叉熵损失，θ
g
，θ
c1
θ
c2
分别是特征网络G，C1，C2中的参数；(2)固定特征提取器中参数，仅更新分类器C1和C2，最小化分类器分类损失以及最大化分类器对目标域样本判别差异，损失函数为公式(2)：其中，L
dis
(
·
,
·
)表示双分类器对目标域样本判别差异仅更新分类器中的参数，同时模型加入分布对齐损失并最小化特征相似度，定义为公式(7)：其中，θ
c1
，θ
c2
分别代表了分类器C1和C2中的参数，λ和η分别代表损失函数中的平衡参数；(3)固定分类器C1和C2中的参数，使用L
dis
更新特征提取器中的参数，在这一步骤中保留了自适应损失项，定义为公式(8)：2.根据权利要求1所述的基于对比对抗学习的领域自适应方法，其特征在于：所述步骤(1)中，首先采用随机数据增强的方式将x
i
增强两次分别获得和然后两个视角的数据同时送入特征提取器，经过分类器中的隐藏层映射后获得不同视角的特征和3.根据权利要求2所述的基于对比对抗学习的领域自适应方法，其特征在于：所述步骤(2)中，使用余弦相似度度量不同视角特征之间的差异，为公式(4)：其中，表示和之间的余弦相似度，两个分类器期望最小化和之间的余弦相似度，而特征提取器期望最大化两者的相似度。4.根据权利要求3所述的基于对比对抗学习的领域自适应方法，其特征在于：所述步骤(2)中，使用MLP以及梯度停止技巧防止模式崩塌，带有对称关系分类器差异损失为公式(5)：其中，模块M的输入和输出维度一致以满足向量余弦相似度计算的需要。5.根据权利要求4所述的基于对比对抗学习的领域自适...

【专利技术属性】
技术研发人员：孙艳丰，陈亮，王少帆，
申请(专利权)人：北京工业大学，
类型：发明
国别省市：