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: 2022101132765
申请人: 南京邮电大学
专利类型:发明专利
专利状态:已下证
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:

1.一种基于双重不平衡场景下的无监督域适应方法,其特征在于,所述方法的步骤为:

步骤1、构造类对比损失,对于每一类,最大化该类样本和其他类样本之间的得分预测差异,使用可导的指数损失作为类对比损失的代理损失;

步骤2、对于源域数据样本使用类对比损失和交叉熵损失预训练一个分类模型,分类模型由特征提取器和分类器构成,计算源域数据样本的类关联向量;

步骤3、使用步骤2得到的多层的特征提取器和随机初始化的分类器构造解决双重不平衡场景的网络模型;

步骤4、对源域数据样本的每一类进行采样构造训练数据,将目标域数据样本输入到步骤3得到的网络模型中得到预测的伪标签,再根据伪标签对每一类采样构造目标域的训练数据,将两组数据一起输入到步骤3得到的网络模型中,得到源域特征和目标域的特征;

步骤5、使用源域特征,目标域特征,源域的真实标签和目标域的伪标签,构造判别型的最大均值差异距离DMMD,最小化类内的紧致性同时最大化全局距离,以加强跨域的相同类的特征对齐和不同类间的特征差异;

在步骤5中构造判别型最大均值差异距离DMMD,传入步骤4中得到的源域特征和目标域特征以及源域的真实标签和目标域对应的伪标签最小化DMMD损失,DMMD定义如下:其中Xs代表所有源域数据样本,Xt代表所有目标域数据样本, 表示源域数据样本属于第k类的概率, 表示目标域数据样本 属于第k类的概率, 直接通过源域的标签获得,如果源域样本是第k类则为1,否则为0; 为目标域样本经过分类器所输出的概率向量 为源域样本经特征提取器所得到的特征, 为目标域样本经特征提取器所得到的特征;

步骤6、对于源域数据样本使用类对比损失和交叉熵损失,对于目标域数据样本选择置信度高的样本使用类对比损失并约束分类器输出和对应类的关联向量之间的一致性;

步骤7、整体损失计算梯度,反向传播,迭代更新网络参数直至损失收敛,对目标域数据样本进行预测得到预测标签,与目标域数据样本的真实标签比较,对于每一类计算出该类的分类准确率,再计算所有类的平均分类准确率作为度量结果。

2.根据权利要求1所述的一种基于双重不平衡场景下的无监督域适应方法,其特征在于,在步骤1中对于样本对定义了k个类的类对比标签,一组样本如果所属不同类别则类对比标签为1,否则为0,使用类对比标签构造了类对比损失,使用可导的指数损失作为类对比损失的代理损失,来拟合类对比损失进行计算优化,并使用因式分解进行化简。

3.根据权利要求1所述的一种基于双重不平衡场景下的无监督域适应方法,其特征在于,步骤2中,对于源域的每一类,计算特定类中所有样本经过预训练模型输出的概率向量(k)经过softmax之后的平均值作为这一类的关联向量,记做C ,类关联向量上反映了每个类别与其他类别的相关性,如果 l、m≠k表示第k类相对于第m类来说更相近于第l类。

4.根据权利要求1所述的一种基于双重不平衡场景下的无监督域适应方法,其特征在于,在步骤6中对于目标域数据样本根据阈值挑选置信度高的样本预测其伪标签,阈值会随着训练过程逐渐提高,将挑选出的目标域数据样本经过模型输出的概率向量pi通过放缩的softmax层,最小化类关联损失 计算其与对应类的关联向量的一致性,其中 表示目标域样本预测的伪标签, 代表挑选出的所有目标域数据样本,代表每一个数据样本xi根据预测的伪标签所对应的类关联向量。