[发明专利]神经网络训练方法、图像处理方法、装置及电子设备

说明书

本公开提供了一种神经网络训练方法、装置、电子设备及存储介质，该神经网络训练方法包括：基于生成的目标维度的域变量，对接收到的源域图像进行数据扩增，得到处理好的源域图像；将处理好的源域图像和目标域图像输入到域无关特征提取器进行特征提取，分别得到处理好的源域图像的域变量无关特征向量以及目标域图像的域无关特征向量；将域变量无关特征向量以及域无关特征向量输入至域辨别器以及神经网络中的目标任务网络；基于域辨别器输出的判别结果，对域辨别器以及域无关特征提取器进行参数调整，并基于目标任务网络输出的预测结果以及源域图像的标注结果对目标任务网络以及域无关特征提取器进行参数调整，得到训练好的神经网络。

技术领域

本公开涉及计算机技术领域，具体而言，涉及一种神经网络训练方法、图像处理方法、智能设备控制方法、装置、电子设备和存储介质。

背景技术

基于机器学习的算法，通常是利用一个或多个特定领域(即，源领域)的训练样本进行学习，得到模型。然后，利用学习到的模型对目标领域中的测试样本进行测试，得到测试结果。通常情况下，不同领域的样本的分布不一，有着各自的特点。如果不进行领域自适应，直接将在源领域的样本集上训练得到的模型应用到目标领域的测试样本中，测试效果较差。

领域自适应的目的是为了解决由于训练数据和测试数据的分布不同导致机器学习性能下降而提出了一种迁移学习方法。领域自适应学习利用源领域的标注数据学习得到目标领域依然适用的模型。根据目标领域数据是否有标注信息，领域自适应学习可以分为有监督领域自适应学习、半监督领域自适应学习和无监督领域自适应学习。其中，无监督领域自适应学习由于完全不依赖目标领域数据标注信息而应用更加广泛。

无监督领域自适应的目标是为带有标记的源数据和未标记的目标数据的目标域训练通用模型。然而，如何减少源域和目标域之间的域偏移问题是业界一直追求的目标。

发明内容

本公开实施例至少提供一种神经网络训练方法、图像处理方法、智能设备控制方法、装置、电子设备及存储介质。

第一方面，本公开实施例提供了一种神经网络训练方法，包括：

生成目标维度的域变量，并基于所述域变量对接收到的源域图像进行数据扩增，得到所述处理好的源域图像；所述域变量用于指示所述目标维度的呈现程度；

将所述处理好的所述源域图像和目标域图像输入到神经网络中的域无关特征提取器进行特征提取，分别得到所述处理好的源域图像的域变量无关特征向量以及所述目标域图像的域无关特征向量；

将所述域变量无关特征向量以及所述域无关特征向量输入至域辨别器以及所述神经网络中的目标任务网络；基于所述域辨别器输出的判别结果，对所述域辨别器以及所述域无关特征提取器进行参数调整，并基于所述目标任务网络输出的预测结果以及所述源域图像的标注结果对所述目标任务网络以及所述域无关特征提取器进行参数调整，得到训练好的神经网络。

本公开实施例中，由于生成目标维度的域变量，并基于所述域变量对接收到的源域图像进行数据扩增，也即，对源域进行了多样化处理，使得所提取的域变量无关特征更加完整，也即能够针对特定的目标维度的域差异进行迁移学习，引入目标维度作为显示的先验知识，从而提高了学到的域无关的特征的完整度，提高了神经网络在目标域上的适用性。

根据第一方面，在一种可能的实施方式中，所述方法还包括：

基于所述域变量生成监督信号；

将所述处理好的源域图像输入至域相关特征提取器进行特征提取，得到所述处理好的源域图像的域变量相关特征向量；

将所述域变量相关特征向量输入至自对抗正则化器进行特征下采样处理，得第一预测概率向量；

基于所述监督信号以及所述第一预测概率向量，对所述自对抗正则化器以及所述域无关特征提取器进行参数调整，直至所述自对抗正则化器能够对不同的域变量进行辨别。