【技术实现步骤摘要】
本专利技术涉及图像处理，尤其涉及一种基于知识图谱和连续学习的域适应方法及系统。
技术介绍
1、本部分的陈述仅仅是提供了与本专利技术相关的
技术介绍
信息，不必然构成在先技术。
2、随着机器人应用的逐渐广泛，机器人在新任务的学习过程中，采用无监督域适应(uda)方法以提高自身性能成为研究的热点之一。现有的无监督域适应方法往往假设所有目标域图像等数据是在训练的时候提前能够获得的，然而，在实际应用中，经常面临着不同场景下的学习和应用需求，图像等数据常常以不同场景的数据流方式出现。不同场景之间的知识差异和变化性给实际应用中的机器人等算法带来了挑战，尤其是传统的机器学习算法通常只在特定场景下表现良好，而在其他场景下的性能下降明显，这限制了算法的泛化能力和实际应用范围。一般来说，在机器人的应用等场景中，目标域图像数据仅由模型学习一次，性能改进有限。尽管传统的uda方法在经过足够的适应后可能在新的目标域图像上表现更好，但它在目标域图像数据突然变化且接触新的目标域图像时间较短的情况下，算法的准确率会大幅度的下降。
3、因此，如何不断...
【技术保护点】
1.一种基于知识图谱和连续学习的域适应方法，其特征在于，包括以下步骤：
2.如权利要求1所述的基于知识图谱和连续学习的域适应方法，其特征在于，对于包含t个图像的目标域图像数据序列而言，历史目标域图像数据为t-1个目标域图像数据，当前目标域图像为第t个目标域图像数据。
3.如权利要求1所述的基于知识图谱和连续学习的域适应方法，其特征在于，对历史目标域图像数据序列进行跨域图像的实体识别和关系抽取的具体步骤为：
4.如权利要求3所述的基于知识图谱和连续学习的域适应方法，其特征在于，利用节点嵌入相似度度量方法构建跨域知识图谱模型的具体步骤为
5....
【技术特征摘要】
1.一种基于知识图谱和连续学习的域适应方法，其特征在于，包括以下步骤：
2.如权利要求1所述的基于知识图谱和连续学习的域适应方法，其特征在于，对于包含t个图像的目标域图像数据序列而言，历史目标域图像数据为t-1个目标域图像数据，当前目标域图像为第t个目标域图像数据。
3.如权利要求1所述的基于知识图谱和连续学习的域适应方法，其特征在于，对历史目标域图像数据序列进行跨域图像的实体识别和关系抽取的具体步骤为：
4.如权利要求3所述的基于知识图谱和连续学习的域适应方法，其特征在于，利用节点嵌入相似度度量方法构建跨域知识图谱模型的具体步骤为：
5.如权利要求1所述的基于知识图谱和连续学习的域适应方法，其特征在于，利用跨域知识图谱模型将历史目标域图像数据的知识迁移到当前目标域图像数据中的具体步骤为：
6.如权利要求5所述的基于知识图谱...
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。