[发明专利]虚拟世界中的经验学习

权利要求书

1.一种计算机实现的机器学习方法，包括：

-提供(S10)：

-虚拟场景的数据集，所述虚拟场景的数据集属于第一域；以及

-属于第二域的真实场景的测试数据集；

-确定(S20)第三域，就数据分布而言，所述第三域比所述第一域更接近所述第二域；以及

-基于所述第三域学习(S30)域自适应神经网络，所述域自适应神经网络是被配置用于推断真实场景中的空间上能够重构的对象的神经网络。

2.根据权利要求1所述的方法，其中，对所述第三域的确定(S20)包括对于所述虚拟场景的数据集的每个场景进行以下操作：

-从所述场景中提取(S200)一个或多个空间上能够重构的对象；以及

-对于每个提取对象，将所述提取对象变换(S210)为就数据分布而言比所述提取对象更接近所述第二域的对象。

3.根据权利要求2所述的方法，其中，对所述第三域的确定(S20)还包括：

-对于每个变换后的提取对象，将所述变换后的提取对象放置(S220)在一个或多个场景中，每个场景就数据分布而言比所述第一域更接近所述第二域，所述第三域包括在其上放置了所述变换后的提取对象的每个场景。

4.根据权利要求3所述的方法，其中，将所述变换后的提取对象放置(S220)在所述一个或多个场景中是随机执行的。

5.根据权利要求3或4所述的方法，其中，对所述第三域的确定(S20)包括：在所述第三域中所包括的一个或多个场景中的每个相应场景中，放置(S230)一个或多个干扰器，干扰器是这样的对象：其不是空间上能够重构的对象。

6.根据权利要求1至5中的任一项所述的方法，其中，对所述域自适应神经网络的学习(S30)包括：

-提供(S300)教师提取器，所述教师提取器是被配置用于输出真实场景的图像表示的机器学习的神经网络；

-训练(S310)学生提取器，所述学生提取器是被配置用于输出属于所述第三域的场景的图像表示的神经网络，对所述学生提取器的训练(S310)包括最小化损失，所述损失对于一个或多个真实场景中的每个场景惩罚了将所述教师提取器应用于所述场景的结果与将所述学生提取器应用于所述场景的结果之间的差异。

7.根据权利要求6所述的方法，其中，将所述教师提取器应用于所述场景的结果是第一格拉姆矩阵，并且将所述学生提取器应用于所述场景的结果是第二格拉姆矩阵。

8.根据权利要求7所述的方法，其中：

-所述第一格拉姆矩阵是在所述教师提取器的若干神经元层上计算的，所述神经元层至少包括最后一个神经元层；以及

-所述第二格拉姆矩阵是在所述学生提取器的若干神经元层上计算的，所述神经元层至少包括最后一个神经元层。

9.根据权利要求6至8中的任一项所述的方法，其中，所述差异是将所述教师提取器应用于所述场景的结果与将所述学生提取器应用于所述场景的结果之间的欧几里得距离。

10.根据权利要求1至9中的任一项所述的方法，其中，所述虚拟场景的数据集的每个虚拟场景是包括一个或多个空间上能够重构的制造工具的虚拟制造场景，所述域自适应神经网络被配置用于推断真实制造场景中的空间上能够重构的制造工具。

11.根据权利要求1至10中的任一项所述的方法，其中，所述测试数据集的每个真实场景是包括一个或多个空间上能够重构的制造工具的真实制造场景，所述域自适应神经网络被配置用于推断真实制造场景中的空间上能够重构的制造工具。

12.一种域自适应神经网络，其是能够根据权利要求1至11中的任一项所述的方法学习的。

13.一种计算机程序，包括用于执行根据权利要求1至11中的任一项所述的方法的指令。