[发明专利]用于域自适应学习的方法、装置、设备、介质和产品

权利要求书

1.一种用于域自适应学习的方法，包括：

获取源域的源视频样本集和目标域的目标视频样本集，所述源视频样本集中的源视频样本被标记为属于多个已知类别中的一个；

基于所述目标视频样本集中的多个目标视频样本与所述源视频样本集之间的多个相似度，确定所述多个目标视频样本各自属于未知类别的概率；以及

至少基于所述多个目标视频样本及其相应的所述概率，使先前采用所述源视频样本集预训练的多分类模型适配于所述目标域。

2.根据权利要求1所述的方法，其中所述多个相似度通过以下至少一项确定：

利用二元分类器来确定所述多个目标视频样本各自属于所述多个已知类别的概率，以获得每个目标视频样本与所述源视频样本集之间的第一相似度，所述二元分类器基于所述源视频样本集而被预先训练；以及

确定每个目标视频样本与多个参考特征中的一个参考特征之间的最优传输距离，以获得每个目标视频样本与所述源视频样本集之间的第二相似度，所述多个参考特征与所述多个已知类别和所述未知类别相对应，并且基于所述源视频样本集而被确定。

3.根据权利要求2所述的方法，其中确定所述多个目标视频样本各自属于所述未知类别的概率包括：

基于所述第一相似度和所述第二相似度中的至少之一，将所述多个目标视频样本划分到与所述多个已知类别对应的已知类别候选组和与所述未知类别对应的未知类别候选组；以及

基于所述划分的结果，确定所述多个目标视频样本各自属于所述未知类别的概率。

4.根据权利要求1所述的方法，其中使所述多分类模型适配于所述目标域包括：

基于所述多个目标视频样本各自的所述概率，向所述多个目标视频样本分配各自的第一分类学习权重，所述多个目标视频样本各自的所述第一分类学习权重与各自的所述概率呈正相关，其中每个目标视频样本的第一分类学习权重指示该目标视频样本在所述多分类模型的训练中的受关注程度；以及

基于所述多个目标视频样本及其相应的所述第一分类学习权重来训练所述多分类模型，使得所述多分类模型从所述多个目标视频样本学习所述未知类别的特性，以适配于所述目标域。

5.根据权利要求1所述的方法，其中使所述多分类模型适配于所述目标域包括：

基于所述多个目标视频样本各自的所述概率，向所述多个目标视频样本分配各自的第二分类权重，所述多个目标视频样本各自的所述第二分类学习权重与各自的所述概率呈负相关，其中每个目标视频样本的第二分类学习权重指示该目标视频样本在所述多分类模型的训练中的受关注程度；以及

基于所述多个目标视频样本及其相应的所述第二分类学习权重来训练所述多分类模型，使得所述多分类模型从所述多个目标视频样本学习所述多个已知类别的特性，以适配于所述目标域。

6.根据权利要求1所述的方法，其中使所述多分类模型适配于所述目标域包括：

基于所述多个目标视频样本各自的所述概率，向所述多个目标视频样本分配各自的域辨别权重，所述多个目标视频样本分配各自的所述域辨别权重，其中每个目标视频样本的域辨别权重指示该目标视频样本在域辨别器的训练中的受关注程度，所述域辨别器被配置为辨别目标视频样本属于所述源域或所述目标域；以及

在基于所述多个目标视频样本及其相应的所述域辨别权重来训练所述域辨别器的同时，训练所述多分类模型以适配于所述目标域。

7.一种用于域自适应学习的装置，包括：

获取模块，被配置为获取源域的源视频样本集和目标域的目标视频样本集，所述源视频样本集中的源视频样本被标记为属于多个已知类别中的一个；

概率确定模块，被配置为基于所述目标视频样本集中的多个目标视频样本与所述源视频样本集之间的多个相似度，确定所述多个目标视频样本各自属于未知类别的概率；以及

域适配模块，被配置为至少基于所述多个目标视频样本及其相应的所述概率，使先前采用所述源视频样本集预训练的多分类模型适配于所述目标域。