【技术实现步骤摘要】
本专利技术属于泛化领域，尤其涉及一种基于模型无关适配器提高复杂多样数据分布的识别方法。
技术介绍
1、深度学习在计算机视觉的各种应用中取得了前所未有的成功，例如图像分类，但这些成功大多基于独立同分布假设，即，训练和测试图片数据来自相同的分布。然而，由于广泛存在未观察到的混杂因素或数据偏差，训练图片数据和测试图片数据之间的分布外变化通常是不可避免的。在这种情况下，采用独立同分布假设的经验风险最小化训练的深度模型通常在分布外数据上表现不佳。因此，提高深度模型的分布外泛化能力是非常重要。
2、最近，人们提出了许多分布外方法，通过引入各种正则化器来学习对不同分布(或叫做环境)不变的表示或预测变量。尽管这些方法在与训练数据有主要分布变化的测试数据上取得了良好的分布外泛化性能，但通过实验发现它们会显着损害独立同分布(或者几乎没有变化差异)或较小变化数据的性能。并且在彩色手写数字识别数据上的分布外泛化和独立同分布场景中实现了一些代表性的分布外泛化方法，结果显示：这些方法具有显著的分布外泛化的准确度，但是独立同分布的性能很差，或者带有很高的...
【技术保护点】
1.一种基于模型无关适配器提高复杂多样数据分布的识别方法，其特征在于，包括如下步骤：
2.如权利要求1所述的一种基于模型无关适配器提高复杂多样数据分布的识别方法，其特征在于，所述独立同分布损失函数的函数形式为：
3.如权利要求2所述的一种基于模型无关适配器提高复杂多样数据分布的识别方法，其特征在于，所述分布外泛化损失函数的函数形式为：
4.如权利要求2所述的一种基于模型无关适配器提高复杂多样数据分布的识别方法，其特征在于，所述分布外泛化损失函数的函数形式为：
5.如权利要求1所述的一种基于模型无关适配器提高复杂多样数据分...
【技术特征摘要】
1.一种基于模型无关适配器提高复杂多样数据分布的识别方法，其特征在于，包括如下步骤：
2.如权利要求1所述的一种基于模型无关适配器提高复杂多样数据分布的识别方法，其特征在于，所述独立同分布损失函数的函数形式为：
3.如权利要求2所述的一种基于模型无关适配器提高复杂多样数据分布的识别方法，其特征在于，所述分布外泛化损失函数的函数形式为：
4.如权利要求2所述的一种基于模型无关适配器提高复杂多样数据分布的识别方法，其特征在于，所述分布外泛化损失函数的函数形式为：
5.如权利要求1所述的一种基于模型无关适配器提高复杂多样数据分布的识别方法，其特征在于，所述分类模块由一个平均池化层和一个线性层依次级联而成。
6.如权利要求1所述的一种基于模型无关适配器提高...
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。