[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

说明书

本发明公开了一种动态领域自适应方法、设备及计算机可读存储介质，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，并在卷积神经网络中全连接层中的输出层之前加入自适应层；计算卷积神经网络的自适应损失Lsubgt;MMD/subgt;；基于自适应损失Lsubgt;MMD/subgt;修改卷积神经网络的各层级参数，得到调整后的卷积神经网络；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。本发明还同时公开了一种动态领域自适应设备及计算机可读存储介质。

技术领域

本发明涉及卷积神经网络技术领域，尤其涉及一种动态领域自适应方法、设备及计算机可读存储介质。

背景技术

卷积神经网络(Convolutional Neural Networks，CNN)是一类包含卷积计算且具有深度结构的前馈神经网络(Feed-forward Neural Networks)，是深度学习(deeplearning)领域的核心算法之一。卷积神经网络主要包含以下几个部分：(1)局部感知。以图像为例，图像的空间联系中局部的像素相关性较强，而距离较远的像素相关性则较弱；因此，每个神经元其实只需对局部区域进行感知，而不需要对全局图像进行感知。(2)权值共享。卷积神经网络中相同的卷积核的权值和偏置值是一样的。同一种卷积核按照某种顺序对图像进行卷积操作，卷积后得到的所有神经元都是使用同一个卷积核区卷积图像的，都是共享连接参数。因此，权值共享减少了卷积神经网络的参数数量。(3)卷积，利用卷积核对图像进行特征提取。卷积过程就是一个减少参数数量的过程，其中最重要的参数就是卷积核的大小、步长设计和输入数量选取，输入量越多提取的特征越多，但网络的复杂度也增加，容易出现过拟合的问题。卷积核的大小影响网络结构的识别能力，步长决定了提取的特征图像大小和特征个数。(4)池化。在卷积神经网络中，池化层一般在卷积层后，通过池化来降低卷积层输出的特征向量维数。池化过程最大程度的降低了图像的分辨率，同时降低了图像的处理维度，但又保留了图像的有效信息，降低了后面卷积层处理复杂度，大大降低了网络对图像旋转和平移的敏感性。一般采用的池化方法有两种：平均池化(mean pooling)和最大池化(max pooling)。

迁移学习(Transfer learning)，是指利用数据、任务、模型之间的相似性，将在旧领域学习过的模型，应用于新领域的一种学习过程。在传统分类学习中，为了保证训练得到的分类模型具有准确性和高可靠性，都有两个基本的假设：(1)用于学习的训练样本与新的测试样本满足独立同分布；(2)必须有足够可用的训练样本才能学习得到一个好的分类模型。然而，在实际应用中这两个条件往往难以满足。如何利用少量的有标签训练样本(或称为源领域数据)建立一个可靠的模型，对具有不同数据分布的目标领域进行预测，是现有的迁移学习领域需要解决的主要问题。

发明内容

本发明的目的在于提供一种应用于深度卷积神经网络中进行迁移学习的动态领域自适应方法，该方法能够动态变化损失函数中网络自适应损失部分的权重参数，从而提升迁移学习的速度和准确度。

为了实现上述目的，本发明采用以下技术方案：

第一方面，本发明公开一种动态领域自适应方法，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，并在卷积神经网络的全连接层中的输出层之前加入自适应层；

计算卷积神经网络的自适应损失L_MMD；

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

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。

进一步地，卷积神经网络的各层级参数，具体包括：