[发明专利]一种动态领域自适应方法、设备及计算机可读存储介质

权利要求书

1.一种动态领域自适应方法，其特征在于，包括以下步骤：

基于原始图像数据获取源域数据集和目标域数据集；

基于源域数据集定义用于图像识别的卷积神经网络的各层级参数，并在所述卷积神经网络中全连接层的输出层之前加入自适应层；

计算所述卷积神经网络的自适应损失L_MMD；

基于自适应损失L_MMD调节所述卷积神经网络的各层级参数，得到调整后的卷积神经网络；

所述基于自适应损失L_MMD调节卷积神经网络的各层级参数，包括：

基于预设的常数C和神经网络的训练轮数epoch_i获取动态权重值λ；

基于动态权重值λ、卷积神经网络在源域上的常用损失L_{classification}和自适应损失L_MMD获取卷积神经网络的最终损失L；

当最终损失L大于预设期望值时，采用反向传播算法对卷积神经网络进行迭代训练，同时调整卷积神经网络的各层级参数；

当卷积神经网络中隐含层和输出层的响应误差loss为不变的定值时，停止迭代训练；

采用持久化方式将调整后的卷积神经网络存储于目标域数据的调用存储空间；

将目标域数据集代入调整后的卷积神经网络，获取图像数据识别的输出结果。

2.根据权利要求1所述的动态领域自适应方法，其特征在于，所述卷积神经网络的各层级参数，包括：

卷积神经网络的模型类别和总层数；

卷积神经网络的卷积层参数、激活函数和池化层参数；

卷积神经网络的全连接层参数和随机失活层参数。

3.根据权利要求2所述的动态领域自适应方法，其特征在于，所述卷积神经网络的模型类别，包括：

AlexNet网络或VGGNet网络。

4.根据权利要求1所述的动态领域自适应方法，其特征在于，所述自适应损失L_MMD的计算过程，包括：

基于源域数据集与目标域数据集之间的最大均值差MMD计算自适应损失L_MMD。

5.根据权利要求1所述的动态领域自适应方法，其特征在于，所述动态权重值λ的获取方法，包括：

基于公式λ＝C·epoch_i计算动态权重值λ；其中，C为取值范围为0.01至0.03之间的常数，训练轮数epoch_i＝i，i为大于等于0的整数。

6.一种动态领域自适应设备，其特征在于，包括：

处理器、存储器和通信总线；

其中，所述通信总线，用于实现所述处理器和所述存储器之间的通信连接；

所述存储器，用于存储能够在所述处理器上运行的动态领域自适应方法程序；

所述处理器，用于：

基于原始图像数据获取源域数据集和目标域数据集；

基于源域数据集定义用于图像识别的卷积神经网络的各层级参数，并在所述卷积神经网络中全连接层的输出层之前加入自适应层；

计算所述卷积神经网络的自适应损失L_MMD；

基于自适应损失L_MMD调节所述卷积神经网络的各层级参数，得到调整后的卷积神经网络；

所述基于自适应损失L_MMD调节卷积神经网络的各层级参数，包括：

基于预设的常数C和神经网络的训练轮数epoch_i获取动态权重值λ；

基于动态权重值λ、卷积神经网络在源域上的常用损失L_{classification}和自适应损失L_MMD获取卷积神经网络的最终损失L；

当最终损失L大于预设期望值时，采用反向传播算法对卷积神经网络进行迭代训练，同时调整卷积神经网络的各层级参数；

当卷积神经网络中隐含层和输出层的响应误差loss为不变的定值时，停止迭代训练；

采用持久化方式将调整后的卷积神经网络存储于目标域数据的调用存储空间；

将目标域数据集代入调整后的卷积神经网络，获取图像数据识别的输出结果。

7.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现如权利要求1至5中任一项所述动态领域自适应方法的步骤。