[发明专利]迁移方法、迁移装置、计算机设备和计算机可读存储介质

说明书

本发明公开了一种迁移方法、迁移装置、计算机设备和计算机可读存储介质。迁移方法包括：识别出目标环境下当前传感器中的低质量传感器并为低质量传感器分配弱化权重，弱化权重小于预设权重；固定每个当前传感器的权重，基于待迁移数据集和源环境下的深度学习模型确定迁移后的目标深度学习模型，以将深度学习模型从源环境迁移到目标环境。本发明的技术方案，通过识别当前传感器中的低质量传感器并为低质量传感器分配较小权重，可以极大降低低质量传感器数据对目标深度学习模型的影响，加快目标环境下目标深度学习模型的训练收敛速度，确保目标深度学习模型能够达到较高的识别精度。

技术领域

本发明涉及物联网技术领域，更具体而言，涉及一种迁移方法、迁移装置、计算机设备和计算机可读存储介质。

背景技术

家居环境中通常存在多个物联网设备(IoT设备)，每个设备都可能具备一定的感知能力，利用基于深度学习的协同感知模型可以预测和识别用户行为，在降低感知成本的同时提升感知识别精度。但是，由于不同的用户环境，其使用和部署的传感器种类和数量等都不一样，因此将源环境中训练的模型迁移部署至目标环境时，一个主要的技术难点是，新环境中的传感器数据质量无法预知，可能存在一些低质量传感器(例如部署位置不佳的传感器、本身有软硬件故障的传感器等)，对协同感知模型的数据产生负面影响，从而拉低协同感知模型的精度。

发明内容

本发明实施方式提供一种迁移方法、迁移装置、计算机设备和计算机可读存储介质。

本发明实施方式提供一种迁移方法，所述迁移方法包括：识别出目标环境下当前传感器中的低质量传感器并为所述低质量传感器分配弱化权重，所述弱化权重小于预设权重；固定每个所述当前传感器的权重，基于待迁移数据集和源环境下的深度学习模型确定迁移后的目标深度学习模型，以将所述深度学习模型从所述源环境迁移到所述目标环境，所述待迁移数据集包括多个待迁移样本，每个所述待迁移样本包括所述当前传感器的当前传感器数据和当前感知目标结果；所述深度学习模型用于根据所述源环境下的传感器数据确定感知目标结果；所述目标深度学习模型用于根据所述目标环境下的传感器数据确定感知目标结果，所述感知目标结果、所述当前感知目标结果均包括目标对象的工作、手势和位置中的至少一种。

在某些实施方式中，所述识别出目标环境下当前传感器中的低质量传感器并为所述低质量传感器分配弱化权重，包括：固定所述深度学习模型的参数；给每个所述当前传感器分配一个权重；基于所述待迁移数据集对所述深度学习模型进行训练以为所述低质量传感器分配所述弱化权重。

在某些实施方式中，所述识别出目标环境下当前传感器中的低质量传感器并为所述低质量传感器分配弱化权重，包括：判断每一个所述当前传感器的所述当前传感器数据是否处于正常工作范围内；在所述当前传感器数据处于所述正常工作范围的临界范围的情况下，确定对应的所述当前传感器为所述低质量传感器并为所述低质量传感器分配所述弱化权重。

在某些实施方式中，所述识别出目标环境下当前传感器中的低质量传感器并为所述低质量传感器分配弱化权重，包括：判断环境变化和每一个所述当前传感器的所述当前传感器数据的变化是否一致；在环境变化和所述当前传感器数据的变化不一致的情况下，确定对应的所述当前传感器为所述低质量传感器并为所述低质量传感器分配所述弱化权重。

在某些实施方式中，所述判断环境变化和每一个所述当前传感器的所述当前传感器数据的变化是否一致，包括：在环境没有发生明显变化的情况下，判断所述当前传感器数据的波动幅度是否小于预设幅度；在环境发生变化的情况下，判断所述当前传感器数据是否在预设区间波动；在环境没有发生明显变化的情况下所述波动幅度大于所述预设幅度，且在环境发生变化的情况下所述当前传感器数据不在所述预设区间波动，确定环境变化和所述当前传感器数据的变化不一致。