[发明专利]基于对比对抗学习的领域自适应方法及装置

权利要求书

1.基于对比对抗学习的领域自适应方法，其特征在于：该方法包括以下步骤：

(1)在源域数据上使用损失函数L_cls(x^s，y^s)训练整个网络模型，优化过程定义为公式(1)：

其中，L_ce(·，·)是交叉熵损失，θ_g，θ_c1θ_c2分别是特征网络G，C₁，C₂中的参数；

(2)固定特征提取器中参数，仅更新分类器C₁和C₂，最小化分类器分类损失以及最大化分类器对目标域样本判别差异，损失函数为公式(2)：

其中，L_dis(·,·)表示双分类器对目标域样本判别差异仅更新分类器中的参数，同时模型加入分布对齐损失并最小化特征相似度，定义为公式(7)：

其中，θ_c1，θ_c2分别代表了分类器C₁和C₂中的参数，λ和η分别代表损失函数中的平衡参数；

(3)固定分类器C₁和C₂中的参数，使用L_dis更新特征提取器中的参数，在这一步骤中保留了自适应损失项，定义为公式(8)：

2.根据权利要求1所述的基于对比对抗学习的领域自适应方法，其特征在于：所述步骤(1)中，首先采用随机数据增强的方式将x_i增强两次分别获得和然后两个视角的数据同时送入特征提取器，经过分类器中的隐藏层映射后获得不同视角的特征和

3.根据权利要求2所述的基于对比对抗学习的领域自适应方法，其特征在于：所述步骤(2)中，使用余弦相似度度量不同视角特征之间的差异，为公式(4)：

其中，表示和之间的余弦相似度，两个分类器期望最小化和之间的余弦相似度，而特征提取器期望最大化两者的相似度。

4.根据权利要求3所述的基于对比对抗学习的领域自适应方法，其特征在于：所述步骤(2)中，使用MLP以及梯度停止技巧防止模式崩塌，带有对称关系分类器差异损失为公式(5)：

其中，模块M的输入和输出维度一致以满足向量余弦相似度计算的需要。

5.根据权利要求4所述的基于对比对抗学习的领域自适应方法，其特征在于：所述步骤(3)中，使用Sliced Wasserstein距离减小源域和目标域数据标签分布的差异，使得目标域数据向着正确的方向移动，自适应损失为公式(6)：

其中，f^s和f^t分别表示源域和目标域特征。

6.根据权利要求5所述的基于对比对抗学习的领域自适应方法，其特征在于：该方法应用到Image-CLEF-DA数据集，该数据集由三个子域构成，分别是Caltech-256(C)，ImageNetILSVRC 2012(I)以及Pascalvoc 2012(P)，整个数据集中含有1800张图片样本，每一个子域中分别含有600张图片样本并包含有12个类别。

7.基于对比对抗学习的领域自适应装置，其特征在于：该装置包括：训练模块，其配置来在源域数据上使用损失函数L_cls(x^s，y^s)训练整个网络模型，优化过程定义为公式(1)：

其中，L_ce(·，·)是交叉熵损失，θ_g，θ_c1θ_c2分别是特征网络G，C₁，C₂中的参数；分类器更新模块，其配置来固定特征提取器中参数，仅更新分类器C₁和C₂，最小化分类器分类损失以及最大化分类器对目标域样本判别差异，损失函数为公式(2)：

其中，L_dis(·，·)表示双分类器对目标域样本判别差异仅更新分类器中的参数，同时模型加入分布对齐损失并最小化特征相似度，定义为公式(7)：

其中，θ_c1，θ_c2分别代表了分类器C₁和C₂中的参数，λ和η分别代表损失函数中的平衡参数；

特征提取器更新模块，其配置来固定分类器C₁和C₂中的参数，使用L_dis更新特征提取器中的参数，在这一步骤中保留了自适应损失项，定义为公式(8)：