[发明专利]一种基于元学习的自监督域适应方法

权利要求书

1.一种基于元学习的自监督域适应方法，其特征在于，包括以下步骤：

步骤1，设置训练器和测试器：

将目标域样本的重建过程作为元学习中的训练器，将源域样本的分类过程作为元学习中的测试器；

步骤2，利用目标域样本进行图像重建任务并计算重建损失：

将无标签的目标域样本输入特征提取网络得到目标域样本特征，然后将目标域样本特征输入图像重建网络进行图像重建并计算重建损失；

步骤3，对特征提取网络进行参数更新：

利用训练器中的重建损失对训练器中的特征提取网络进行参数更新，由于权值共享，测试器中的特征提取网络的参数和训练器中的特征提取网络参数一起更新，即使得测试器中网络的参数更新方向趋向训练器中网络的参数更新方向；

步骤4，利用源域样本进行分类任务并计算分类损失：

将有标签的源域数据输入参数更新后的特征提取网络得到源域数据特征，然后将源域数据特征输入分类网络进行图像分类任务并计算分类损失；

步骤5，计算总损失函数并对全部网络进行参数更新：

计算总损失函数，并对训练器和测试器中的特征提取网络、重建网络和分类网络进行参数更新。

2.根据权利要求1所述的一种基于元学习的自监督域适应方法，其特征在于，步骤1具体方法如下：

将目标域样本x_t的重建过程作为元学习中的元训练器(Meta-train)，将源域样本x_s的分类过程作为元学习中的元测试器(Meta-test)；其中有标签的源域表示为S＝{X_s,Y_s}，x_s∈X_s和y_s∈Y_s分别表示源域样本和相应的标签，无标签的目标域表示为T＝{X_t}，其中x_t∈X_t表示目标域样本。

3.根据权利要求2所述的一种基于元学习的自监督域适应方法，其特征在于，步骤2具体方法如下：

将无标签的目标域样本x_t输入特征提取网络G得到目标域样本特征f_t，然后将目标域样本特征f_t输入图像重建网络D进行图像重建得到目标域重建样本并计算重建损失L_r；其中特征提取网络G采用ResNet-50结构，ResNet的基本单元通过跳接将之前层的输出与本层计算的输出相加，并将求和的结果输入到激活函数中作为本层的输出；通过ResNet-50的特征提取过程，得到目标域样本特征f_t＝G(x_t)；图像重建网络D采用解码器结构，通过一系列上采样将目标域样本特征f_t还原为原图大小，即(f_t)；重建损失为：

其中N_t为目标域样本个数，j为目标域中第j个样本。

4.根据权利要求3所述的一种基于元学习的自监督域适应方法，其特征在于，步骤3具体方法如下：

利用训练器中的重建损失L_r对特征提取网络G进行参数更新，即：

其中为当前特征提取网络的参数，为经过更新后的特征提取网络的参数，α为学习率，为解码器D的参数，表示对参数求梯度，梯度下降采用随机梯度下降算法；由于权值共享，测试器中的特征提取网络G的参数θ和训练器中的特征提取网络G的参数θ一起更新，即迫使测试器中图像分类等特定任务对网络的参数更新方向趋向训练器中自监督图像重建任务对网络的参数更新方向。