[发明专利]迭代无监督域自适应方法和装置

说明书

本发明提供一种迭代无监督域自适应方法和装置，属于迁移学习领域，方法包括：从域迁移测试集中抽取预设数量的图像样本；将图像样本输入预设的迭代优化算法，根据迭代优化算法的计算结果调整预训练的模型的参数，以使得调整后的模型适应域迁移测试集；其中，预设的迭代优化算法包括：对每个图像样本进行数据增强处理，得到目标大小的批图像；根据批图像，确定模型的参数值；根据域迁移测试集对确定参数值后的模型进行测试，得到分类误差；遍历所有图像样本后，根据分类误差得到图像样本的平均分类误差。本发明基于预设的迭代优化算法对图像样本进行处理，可以用少量的图像样本的数量，无需重训练即可满足实际应用场景需求及开发需求。

技术领域

本发明涉及迁移学习技术领域，尤其涉及一种迭代无监督域自适应方法和装置。

背景技术

迁移学习是一种机器学习方法，指的是一个预训练的模型被重新用在另一个任务中。当目标域产生迁移或测试集因无标签数据的加入导致源域与目标域的分布不一致时，预训练的模型的性能都将明显下降，且泛化能力变差。

为解决模型性能下降的问题，一种最简单直接的方法是从域迁移目标域中获取标签数据并重新训练模型。另一种是无监督域自适应(UDA，Dynamic Unsupervised DomainAdaptation)方法，获得带标记的训练数据和大量无标签的迁移样本重新训练网络，使模型能够以无监督学习的方式适应新分布数据。

现有的无监督域自适应方法需要较多数量测试数据才能达到稳定的且最优的结果，无法满足实际应用场景需求及开发需求。

发明内容

本发明提供一种迭代无监督域自适应方法和装置，用以解决现有技术中无监督域自适应方法需要较多数量测试数据才能达到稳定的且最优的结果，无法满足实际应用场景需求及开发需求的缺陷。

本发明提供一种迭代无监督域自适应方法，包括：

从域迁移测试集中抽取预设数量的图像样本；

将所述图像样本输入预设的迭代优化算法，根据所述迭代优化算法的计算结果调整预训练的模型的参数，以使得调整后的所述模型适应所述域迁移测试集；

其中，预设的所述迭代优化算法包括：

对每个所述图像样本进行数据增强处理，得到目标大小的批图像；

根据所述批图像，确定所述模型的参数值；

根据所述域迁移测试集对确定参数值后的所述模型进行测试，得到分类误差；

遍历所有所述图像样本后，根据所述分类误差得到所述图像样本的平均分类误差。

根据本发明提供的一种迭代无监督域自适应方法，所述根据所述批图像，确定所述模型的参数值，包括：

对所述批图像的特征进行归一化处理，得到归一化特征数据；

根据所述归一化特征数据，得到所述批图像的特征的均值和方差；

根据所述批图像的特征的均值和方差，得到所述模型的参数值。

根据本发明提供的一种迭代无监督域自适应方法，所述根据所述归一化特征数据，得到所述批图像的特征的均值和方差，包括：

根据所述归一化特征数据和动态衰减动量，得到所述批图像的特征的均值和方差；

其中，所述动态衰减动量基于动态衰减系数得到，所述动态衰减系统与迭代数相关。

根据本发明提供的一种迭代无监督域自适应方法，还包括：

根据所述动态衰减系数更新所述动态衰减动量；

若所述平均分类误差符合设定条件，则结束迭代。