欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2019106236701
申请人: 南京邮电大学
专利类型:发明专利
专利状态:未下证
专利领域: 计算;推算;计数
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种基于熵最小化的迁移学习方法,其特征在于,包括如下步骤:a.根据不同的迁移学习任务,构建迁移学习网络并初始化网络超参数;

b.提供CPEM(category-preserved entropy minimization)算法,通过迫使网络预测结果接近目标域的真实类别分布以得到鲁棒性较高的迁移学习网络;

c.保存网络模型以及训练结果,将目标域数据集引入该网络模型,得到最后的目标域标签。

2.根据权利要求1所述的一种基于熵最小化的迁移学习方法,其特征在于,所述方法还包括:基于特征提取器与分类器,构建所述迁移学习网络;

基于预设的损失函数,对所述迁移学习网络进行学习。

3.根据权利要求2所述的一种基于熵最小化的迁移学习方法,其特征在于,所述预设的损失函数包括源领域样本集分类错误率损失函数、目标领域样本集分类结果的条件熵损失函数以及目标领域样本集分类结果类别分布的对称KL散度损失函数,所述基于预设的损失函数,对所述迁移学习网络进行学习,包括:基于预设的损失函数,构建所述迁移学习网络的目标函数,以对所述迁移学习网络进行学习,其中,所述特征提取器和分类器的学习目标为使上述损失函数最小;

当所述迁移学习网络收敛或达到预设的学习次数后,结束对所述迁移学习网络的学习。

4.根据权利要求3所述的一种基于熵最小化的迁移学习方法,其特征在于,所述基于预设的损失函数,构建所述迁移学习网络的目标函数,以对所述迁移学习网络进行学习,包括:基于所述预设的损失函数包括源领域样本集分类错误率损失函数、目标领域样本集分类结果的条件熵损失函数以及目标领域样本集分类结果类别分布的对称KL散度损失函数,联合构建所述迁移学习网络的目标函数;

利用反向传播算法对所述目标函数进行学习,以更新所述特征提取器与所述分类器。

5.根据权利要求4所述的一种基于熵最小化的迁移学习方法,其特征在于,所述目标领域样本集分类结果类别分布的对称KL散度损失函数为:其中T表示目标领域样本集任一batch样本,Lc(T)表示所述目标领域样本集batch分类结果类别分布的对称KL散度损失函数,dKL(·||·)表示KL散度损失函数,q表示目标域数据的类别分布, 表示目标领域样本集batch分类结果的类别分布。

6.一种基于熵最小化的迁移学习系统,其特征在于,包括:

网络构造模块,根据不同的迁移学习任务,构建迁移学习网络并初始化网络超参数;

训练模块,提供了CPEM(category-preserved entropy minimization)算法,通过迫使网络预测结果接近目标域的真实类别分布以得到鲁棒性较高的迁移学习网络;

图像分类模块,保存网络模型以及训练结果,将目标域数据集引入该网络模型,得到最后的目标域标签。