[发明专利]一种基于深度网络和对抗技术的领域适配方法在审
| 申请号： | 201810429822.X | 申请日： | 2018-05-08 |
| 公开（公告）号： | CN108921281A | 公开（公告）日： | 2018-11-30 |
| 发明（设计）人： | 丁世飞;张昊天;杜鹏 | 申请（专利权）人： | 中国矿业大学 |
| 主分类号： | G06N3/04 | 分类号： | G06N3/04;G06N3/08 |
| 代理公司： | 暂无信息 | 代理人： | 暂无信息 |
| 地址： | 221116 江苏省徐州*** | 国省代码： | 江苏;32 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | 本发明一种基于深度网络和对抗技术的领域适配方法，涉及到深度学习，迁移学习，领域适配，卷积神经网络，对抗网络等技术。我们在微调Alexnet的基础上，增加两个对抗子网，用于对抗式的修正不同领域样本间的差异，在high‑level层学习到可共享特征。此方法可以有效降低大数据环境中人工标记的代价，有着一定的实际意义。该算法在新的目标风险误差上界基础上提出创新，算法主要包括初始化阶段和网络训练阶段。在初始化阶段，根据新的误差上界和构建新的神经元层，同时增加相应的损失和正则化项，并对网络和数据集进行初始化工作。训练阶段，通过概率阈值取代原有超参数，根据概率迭代的SGD算法运行若干个迭代周期，直至满足条件，训练结束。最终训练好的网络可以有效的替代人工标记过程，获得更多，更准确的有标记样本。 | ||
| 搜索关键词： | 对抗 适配 算法 初始化阶段 人工标记 误差上界 网络 神经元 卷积神经网络 标记样本 迭代周期 满足条件 网络训练 训练阶段 正则化项 初始化 大数据 数据集 概率 迭代 构建 子网 微调 学习 样本 迁移 修正 共享 替代 | ||
【主权项】：
1.本发明一种基于深度网络和对抗技术的领域适配方法，在深度卷积神经网络采用对抗损失和并行结构缩小领域间分布差异。
下载完整专利技术内容需要扣除积分，VIP会员可以免费下载。
该专利技术资料仅供研究查看技术是否侵权等信息，商用须获得专利权人授权。该专利全部权利属于中国矿业大学，未经中国矿业大学许可，擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作，请联系【客服】
本文链接：http://www.vipzhuanli.com/patent/201810429822.X/，转载请声明来源钻瓜专利网。
