[发明专利]用于神经网络的领域自适应的方法、设备和存储介质

权利要求书

1.一种用于神经网络的领域自适应的方法，包括：

将来自源域的第一样本和第二样本与来自目标域的第三样本进行混合以得到混合样本，其中，所述第一样本、所述第二样本、所述第三样本和所述混合样本属于同一个类别；

基于所述源域中的样本与所述混合样本之间的类内距离和类间距离之和构建第一损失函数，所述第一损失函数使得加权平均后的类内距离最小化并且使得加权平均后的类间距离最大化；

基于所述第一损失函数和交叉熵损失函数之和，分别针对所述源域和由所述混合样本组成的混合域来构建第二损失函数；和

利用所述源域的第二损失函数和所述混合域的第二损失函数两者来确定所述神经网络是否收敛，并且如果未收敛则重复进行以上步骤。

2.根据权利要求1所述的方法，其中，所述混合包括：

将所述第一样本与所述第二样本之差的加权值加上所述第三样本的加权值。

3.根据权利要求2所述的方法，其中，所述混合还包括：

将所述第一样本与所述第二样本的平均值的加权值加上所述第三样本。

4.根据权利要求3所述的方法，其中，所述混合还包括设置上限和下限，并且基于在所述上限和所述下限之间的混合样本来构建所述混合域。

5.根据权利要求1所述的方法，其中，所述加权平均的权重是利用归一化指数函数、根据距离计算得到的。

6.根据权利要求5所述的方法，其中，所述第一损失函数还被构建成用固定容限值与最大类内距离之和减去所述类间距离，其中，所述固定容限值用于去除长度超过所述容限值的类间距离。

7.根据权利要求1至6中任一项所述的方法，其中，所述方法还包括在所述神经网络未收敛的情况下，利用所述源域的第二损失函数和所述混合域的第二损失函数来更新所述神经网络的参数。

8.根据权利要求1至6中任一项所述的方法，其中，所述第二损失函数是基于argmin函数构建的，在所述argmin函数中，对所述第一损失函数施加第一权重并且对所述交叉熵损失函数施加第二权重，所述第一权重和所述第二权重之和等于1。

9.一种用于神经网络的领域自适应的设备，包括：

混合装置，其被配置成将来自源域的第一样本和第二样本与来自目标域的第三样本进行混合以得到混合样本，其中，所述第一样本、所述第二样本、所述第三样本和所述混合样本属于同一个类别；

第一构建装置，其被配置成基于所述源域中的样本与所述混合样本之间的类内距离和类间距离之和构建第一损失函数，所述第一损失函数使得加权平均后的类内距离最小化并且使得加权平均后的类间距离最大化；

第二构建装置，其被配置成基于所述第一损失函数和交叉熵损失函数之和，分别针对所述源域和由所述混合样本组成的混合域来构建第二损失函数；和

确定装置，其被配置成利用所述源域的第二损失函数和所述混合域的第二损失函数两者来确定所述神经网络是否收敛，

其中，如果所述确定装置确定所述神经网络未收敛，则所述混合装置、所述第一构建装置和所述第二构建装置重复执行其功能。

10.一种计算机可读存储介质，所述计算机可读存储介质存储有能够由处理器运行来执行以下操作的程序：

将来自源域的第一样本和第二样本与来自目标域的第三样本进行混合以得到混合样本，其中，所述第一样本、所述第二样本、所述第三样本和所述混合样本属于同一个类别；

基于所述源域中的样本与所述混合样本之间的类内距离和类间距离之和构建第一损失函数，所述第一损失函数使得加权平均后的类内距离最小化并且使得加权平均后的类间距离最大化；

基于所述第一损失函数和交叉熵损失函数之和，分别针对所述源域和由所述混合样本组成的混合域来构建第二损失函数；和

利用所述源域的第二损失函数和所述混合域的第二损失函数两者来确定所述神经网络是否收敛，并且如果未收敛则重复进行以上操作。