一种跨域数据深度迁移方法、装置、设备及存储介质制造方法及图纸

本发明专利技术公开了一种跨域数据深度迁移方法、装置、设备及存储介质，该方法可以包括构建目标检测识别深度模型；获取源域数据集以及目标域数据集；构建基于压缩激励的轻量级模型适配器的迁移学习架构，采用分割池方法和候选区域采样构造特征对机制；在源域模型训练过程中，构建域对抗网络，实现图像全局域迁移和目标类间特征隔离。该方法可以在复杂应用场景中，计算资源受限、小样本等限制条件下，实现弱/半监督条件下轻量级小样本跨域迁移学习目标识别感知。提高了模型跨域迁移学习的能力和迁移效率，保证目标识别精度和泛化能力，同时可以保证特征迁移的高效性和稳定性，值得大面积推广使用。使用。使用。

【技术实现步骤摘要】
一种跨域数据深度迁移方法、装置、设备及存储介质


[0001]本专利技术涉及跨域迁移
，特别是涉及一种跨域数据深度迁移方法、装置、设备及存储介质。

技术介绍

[0002]地面目标识别是基于遥感技术、人工智能技术等现代化手段对地面目标进行采集、分类及识别。地面目标识别过程主要包括：可见光图像样本采集、样本预处理、训练分类器、目标识别几个步骤。人们对智能检测和目标识别的技术需求越来越大，汽车辅助驾驶、智能交通监控、军事等领域的核心是自动检测和识别某些应用场景内的存在的地面目标。
[0003]随着机器视觉技术的快速发展，传统很多需要人工来手动操作的工作，渐渐地被机器所替代。传统方法做目标识别大多都是靠人工实现，从形状、颜色、长度、宽度、长宽比来确定被识别的目标是否符合标准，最终定义出一系列的规则来进行目标识别。这样的方法当然在一些简单的案例中已经应用的很好，唯一的缺点是随着被识别物体的变动，所有的规则和算法都要重新设计和开发，即使是同样的产品，不同批次的变化都会造成不能重用的现实。
[0004]而随着机器学习、深度学习的发展，很多肉眼很难去直接量化的特征，深度学习可以自动学习这些特征，这就是深度学习带给我们的优点和前所未有的吸引力。很多特征我们通过传统算法无法量化，或者说很难去做到的，深度学习可以。特别是在图像分类、目标识别这些问题上有显著的提升。2014年R
‑
CNN的提出，使得基于CNN的目标检测算法逐渐成为主流。深度学习的应用，使检测精度和检测速度都获得了改善。
[0005]目标检测主要是针对图像视觉的一种方法，根据学习到的目标，将目标区域进行位置定位和类别识别，同时需要给出目标的置信度。目标检测的主流手段是神经网络，其依赖于大数据量的训练，但在复杂战场应用场景中，面临计算资源受限、小样本等限制，且传统识别方法提取的特征又具有很强的易变性，分类效果不佳。
[0006]因此，如何提供一种跨域数据迁移方法，提高模型跨域迁移学习的能力和迁移效率，保证目标识别精度和泛化能力，是迫切需要本领域技术人员解决的技术问题。

技术实现思路

[0007]鉴于上述问题，本专利技术提供用于克服上述问题或者至少部分地解决上述问题的一种跨域数据深度迁移方法、装置、设备及存储介质。
[0008]本专利技术提供了如下方案：
[0009]一种跨域数据深度迁移方法，包括：
[0010]构建目标检测识别深度模型；
[0011]获取源域数据集以及目标域数据集；
[0012]构建基于压缩激励的轻量级模型适配器的迁移学习架构，采用分割池方法和候选区域采样构造特征对机制；
[0013]在源域模型训练过程中，构建域对抗网络，实现图像全局域迁移和目标类间特征隔离，利用所述基于压缩激励的轻量级模型适配器动态实现高维特征加权，完成跨域征筛选生成。
[0014]优选地：将所述源域数据集以及所述目标域数据集拆分为同构数据以及异构数据；
[0015]所述异构数据采用独立源域编码器与目标域编码器，所述同构数据共享编码器，构造域内差异损失和域间一致性损失。
[0016]优选地：所述基于压缩激励的轻量级模型适配器包括全局池化、全连接、RELU层。
[0017]优选地：在引入通道降维因子的基础上构造基于压缩激励的轻量级模型适配器组，在为每个数据域添加基于压缩激励的轻量级模型适配器分支和域间转换器，以使其能够选择关联域的适配器。
[0018]优选地：连接各域适配器输出形成通用表示空间。
[0019]优选地：所述通用表示空间用于信号处理的滤波器组的非线性泛化，每个非线性分支沿着特定域的统计信息匹配的子空间投影输出，利用注意力机制生成域敏感权重，实现多域特征激发。
[0020]一种跨域数据深度迁移装置，包括：
[0021]模型构建单元，用于构建目标检测识别深度模型；
[0022]数据获取单元，用于获取源域数据集以及目标域数据集；
[0023]特征对机制构造单元，用于构建基于压缩激励的轻量级模型适配器的迁移学习架构，采用分割池方法和候选区域采样构造特征对机制；
[0024]特征筛选生成单元，用于在源域模型训练过程中，构建域对抗网络，实现图像全局域迁移和目标类间特征隔离，利用所述基于压缩激励的轻量级模型适配器动态实现高维特征加权，完成跨域征筛选生成。
[0025]一种跨域数据深度迁移设备，所述设备包括处理器以及存储器：
[0026]所述存储器用于存储程序代码，并将所述程序代码传输给所述处理器；
[0027]所述处理器用于根据所述程序代码中的指令执行上述的跨域数据深度迁移方法。
[0028]一种计算机可读存储介质，其特征在于，所述计算机可读存储介质用于存储程序代码，所述程序代码用于执行上述的跨域数据深度迁移方法。
[0029]根据本专利技术提供的具体实施例，本专利技术公开了以下技术效果：
[0030]本申请实施例提供的一种跨域数据深度迁移方法、装置、设备及存储介质，可以在复杂应用场景中，计算资源受限、小样本等限制条件下，实现弱/半监督条件下轻量级小样本跨域迁移学习目标识别感知。提高了模型跨域迁移学习的能力和迁移效率，保证目标识别精度和泛化能力，同时可以保证特征迁移的高效性和稳定性，值得大面积推广使用。
[0031]当然，实施本专利技术的任一产品并不一定需要同时达到以上所述的所有优点。
附图说明
[0032]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍。显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来说，在不付出创造性劳动的前提下，还可以根据这些附图获
得其他的附图。
[0033]图1是本专利技术实施例提供的一种跨域数据深度迁移方法的流程图；
[0034]图2是本专利技术实施例提供的同构异构特征提取网络示意图；
[0035]图3是本专利技术实施例提供的神经元计算模型示意图；
[0036]图4是本专利技术实施例提供的SE适配器示意图；
[0037]图5是本专利技术实施例提供的SE适配器组示意图；
[0038]图6是本专利技术实施例提供的通用SE适配器示意图；
[0039]图7是本专利技术实施例提供的图像级与实例级迁移示意图；
[0040]图8是本专利技术实施例提供的跨域生成对抗学习网络架构示意图；
[0041]图9是本专利技术实施例提供的一种跨域数据深度迁移装置的示意图；
[0042]图10是本专利技术实施例提供的一种跨域数据深度迁移设备的示意图。
具体实施方式
[0043]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述。显然，所描述的实施例仅仅是本专利技术的一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员所获得的所有其他实施例，都属于本专利技术保护的范围。
[0044]参见图1，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种跨域数据深度迁移方法，其特征在于，包括：构建目标检测识别深度模型；获取源域数据集以及目标域数据集；构建基于压缩激励的轻量级模型适配器的迁移学习架构，采用分割池方法和候选区域采样构造特征对机制；在源域模型训练过程中，构建域对抗网络，实现图像全局域迁移和目标类间特征隔离，利用所述基于压缩激励的轻量级模型适配器动态实现高维特征加权，完成跨域征筛选生成。2.根据权利要求1所述的跨域数据深度迁移方法，其特征在于，将所述源域数据集以及所述目标域数据集拆分为同构数据以及异构数据；所述异构数据采用独立源域编码器与目标域编码器，所述同构数据共享编码器，构造域内差异损失和域间一致性损失。3.根据权利要求1所述的跨域数据深度迁移方法，其特征在于，所述基于压缩激励的轻量级模型适配器包括全局池化、全连接、RELU层。4.根据权利要求3所述的跨域数据深度迁移方法，其特征在于，在引入通道降维因子的基础上构造基于压缩激励的轻量级模型适配器组，在为每个数据域添加基于压缩激励的轻量级模型适配器分支和域间转换器，以使其能够选择关联域的适配器。5.根据权利要求4所述的跨域数据深度迁移方法，其特征在于，连接各域适配器输出形成通用表示空间。6.根据权利要求5所述的跨域数据深度...

【专利技术属性】
技术研发人员：戴健，吴锐，祝本明，任珍文，
申请(专利权)人：中国兵器装备集团自动化研究所有限公司，
类型：发明
国别省市：