[发明专利]一种基于元对抗学习的多目标域适应迁移方法及系统

权利要求书

1.一种基于元对抗学习的多目标域适应迁移方法，包括如下步骤：

步骤S1，获取带标记的源域数据集以及无标记的多个目标域数据集，使用所有目标域数据进行通过元学习者进行聚类，得到伪子目标域类别标签；

步骤S2，使用源域数据、多目标域数据与伪子目标域类别标签进行对抗，更新目标模型的表示网络，源-目标域判别器和子目标域判别器；

步骤S3，判断是否达到更新周期，若达到更新周期，则进行步骤S4，若没有达到，则进行步骤S5；

步骤S4，将所有目标域数据与当前网络中产生的目标域特征数据通过元学习者进行聚类，更新所述伪子目标域类别标签；

步骤S5，返回步骤S2，直至模型收敛或达到最大迭代次数时停止训练；

步骤S1进一步包括：

步骤S100，输入带标记的源域数据集以及k个无标记的目标域数据集；

步骤S101，使用所有的目标域数据集，通过元学习者U进行聚类，得到所述伪子目标域类别标签；

于步骤S101中，首先根据如下公式优化目标：

其中U₁表示编码器，U₂表示解码器，表示第j个聚类的质心，x_i～T表示来自目标域的图片，L_rec(x_i；F)为图片经过编码器解码器后的图片与原图片的l₂损失函数，其中f_j表示第j个聚类的聚类频率，n_t表示所有目标域图片的数目，α表示t-分布的离散程度；

当优化一定迭代次数后，通过编码器得到各个目标域图片对应的伪子目标域类别标签；

于步骤S1中，所述源域数据的标签集合等于多目标域的标签集合的交集总和；

步骤S2进一步包括：

步骤S200，使用表示网络F对源域和多目标域的图像进行特征提取；

步骤S201，将每一源域s和目标域t分别组成一对，利用源-目标域判别器网络D_st进行判定训练，更新目标模型的表示网络和源-目标域判别器网络D_st；

步骤S202，将目标域t单独输入子目标域判别器网络D_mt进行判定训练，更新目标模型的表示网络F和子目标域判别器网络D_mt；

于步骤S201中，采用如下公式实现对抗更新过程：

其中D_st表示源-目标域判别器网络，E表示对应损失值的期望，F(x)表示图像x经过表示网络F后的特征编码，C表示分类器网络；

于步骤S201中，使用逆反向梯度传播的方法更新F和D_st，使用反向梯度传播的方法更新分类器网络C；

于步骤S202中，使用域混淆的方法更新目标模型的表示网络F和子目标域判别器网络D_mt；

于步骤S4中，将目标域图片通过元学习者U进行聚类，输入为所有目标域图片与表示网络F对图片所提取的特征优化目标除了之外，其他与步骤S101一致。

2.一种基于元对抗学习的多目标域适应迁移系统，用于实现权利要求1所述的基于元对抗学习的多目标域适应迁移方法，包括：

预训练单元，用于获取带标记的源域数据集以及无标记的多个目标域数据集，使用所有目标域数据进行通过元学习者进行聚类，得到伪子目标域类别标签；

多路对抗单元，用于使用源域数据，多目标域数据与伪子目标域类别标签进行对抗，更新目标模型的表示网络，源-目标域判别器和子目标域判别器；

更新单元，用于在达到预设的更新迭代周期之后，使用目标域图片与表示网络F对图片所提取的特征输入元学习者U进行聚类，更新伪子目标域类别标签，并返回所述多路对抗单元进行训练，直至模型收敛或达到最大迭代次数时停止训练；

分类单元，用于根据训练好的表示网络F和分类器网络C对目标域进行分类。