[发明专利]一种区分简单与困难样本的无监督域适应方法

权利要求书

1.一种区分简单与困难样本的无监督域适应方法，其特征在于，所述无监督域适应方法包括以下步骤：

S1，样本区分：依据目标域样本的熵值来对目标域样本进行区分，将熵值大于等于预设熵值阈值的样本定义为简单样本，将熵值小于预设熵值阈值的样本定义为困难样本；

S2，简单样本的无监督域适应：对于分类为简单样本的目标域样本，采用源域训练好的分类器对其分配伪标签；

S3，困难样本的无监督域适应：对于分类为困难样本的目标域样本，利用步骤S2中分配好伪标签的简单样本将无监督域适应调整为半监督域适应，通过源域标签和目标域简单样本的标签来训练得到更加鲁棒的分类器，计算类中心，分别优化域间对比对齐和实例对比对齐，以减少域间和域内差异。

2.根据权利要求1所述的区分简单与困难样本的无监督域适应方法，其特征在于，步骤S1中，所述样本区分的过程包括以下子步骤：

S11，根据式(1)计算得到目标域样本v的熵值H(v)：

其中，v_k为分类器输出类k的概率，K是分类器输出总类数；

S12，根据式(2)进行样本区分，得到区分后的样本和

其中，τ为所设置的阈值，n_t代表目标域的样本数量，和分别表示简单和困难的目标域样本。

3.根据权利要求1所述的区分简单与困难样本的无监督域适应方法，其特征在于，步骤S2中，简单样本的无监督域适应的过程包括以下子步骤：

根据式(3)分配简单样本伪标签

其中，F和G分别是源域训练的分类器和特征提取器的函数表示，表示分类为简单样本的目标域样本。

4.根据权利要求3所述的区分简单与困难样本的无监督域适应方法，其特征在于，步骤S3中，困难样本的无监督域适应的过程包括以下子步骤：

S31，根据式(4)训练源域和简单目标域样本分类器，最小化分类损失L_sup：

其中，(yⁱ)_k为第i个样本属于第k类的概率，训练样本集合包括源域样本和目标域简单样本x_l＝x_s∪x_easy；n_s为源域样本总数，n_easy为简单样本数量；

S32，根据式(5)计算源域类质心：

其中，B为每个训练批次样本数量大小，为源域的第i个样本，为源域第i个样本的标签信息，表示判断是否属于第k个类，将每个类的源域质心存储在内存库中；

S33，根据式(6)对目标域困难样本赋值伪标签根据式(7)计算目标域样本类质心

其中，为目标域第i个样本，为目标域第i个样本的标签；

S34，基于式(8)，通过最大化源和目标域每个类k的聚类损失来训练模型：

其中，q∈{s,t}，是测量余弦相似度的指数，是上式(5)求得源域第i类的质心，是上式(7)求得目标域第i类的质心，是将源和目标域混合后求得的第r类的质心，Ω是超参数；

S35，通过对目标域困难样本进行样本增强，根据式(9)定义的实例对比损失以确保同一样本的两个变体在特征空间中更接近，且同一批次的其他样本被拉开：

其中，是增广后的目标域样本。

5.根据权利要求1所述的区分简单与困难样本的无监督域适应方法，其特征在于，步骤S3中，采用监督损失L_sup、域间对比对齐损失L_clu和实例对比对齐损失L_ins构建总体训练目标的损失函数L_total：

L_total＝L_sup+αL_clu+βL_ins；

其中，α,β为超参数，通过交叉验证实验获得具体值。