[发明专利]一种用于无监督域自适应的前景目标迁移方法在审
| 申请号： | 202211247609.X | 申请日： | 2022-10-12 |
| 公开（公告）号： | CN115578588A | 公开（公告）日： | 2023-01-06 |
| 发明（设计）人： | 唐湘滟;程杰仁;刘乐 | 申请（专利权）人： | 海南大学 |
| 主分类号： | G06V10/764 | 分类号： | G06V10/764;G06V10/82;G06N3/04;G06N3/08 |
| 代理公司： | 北京华智则铭知识产权代理有限公司 11573 | 代理人： | 姜子朋 |
| 地址： | 570100 *** | 国省代码： | 海南;46 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | |||
| 搜索关键词： | 一种 用于 监督 自适应 前景 目标 迁移 方法 | ||
1.一种用于无监督域自适应的前景目标迁移方法，其特征在于，所述方法包括：
获取已标记的源域样本和未标记的目标域样本作为训练样本；
将所述源域样本和所述目标域样本输入至深度神经网络进行训练得到分类模型；
将目标域中待分类的数据输入至所述分类模型，得到分类结果。
2.根据权利要求1所述的方法，其特征在于，所述方法还包括：
提取所述源域样本中的前景特征，以及提取所述目标域样本中的前景特征；
基于所述源域样本中前景特征与所述目标域样本中前景特征，进行比较学习。
3.根据权利要求2所述的方法，其特征在于，提取所述源域样本中的前景特征，以及提取所述目标域样本中的前景特征，包括：
基于先验知识区分所述源域样本或者所述目标域样本中的前景特征和背景特征。
4.根据权利要求2所述的方法，其特征在于，提取所述源域样本中的前景特征之后，包括：
设置所述源域样本中的前景特征的权重。
5.根据权利要求2所述的方法，其特征在于，基于所述源域样本中前景特征与所述目标域样本中前景特征，进行比较学习，包括：
采用类级对齐的方式，将所述源域样本中前景特征与所述目标域样本中前景特征进行对比。
6.一种用于无监督域自适应的前景目标迁移装置，其特征在于，所述装置包括：
提取模块，用于获取已标记的源域样本和未标记的目标域样本作为训练样本；
训练模块，用于将所述源域样本和所述目标域样本输入至深度神经网络进行训练得到分类模型；
分类模块，用于将目标域中待分类的数据输入至所述分类模型，得到分类结果。
7.根据权利要求6所述的装置，其特征在于，所述提取模块还用于：
提取所述源域样本中的前景特征，以及提取所述目标域样本中的前景特征；
基于所述源域样本中前景特征与所述目标域样本中前景特征，进行比较学习。
8.根据权利要求7所述的装置，其特征在于，所述提取模块还用于：
基于先验知识区分所述源域样本或者所述目标域样本中的前景特征和背景特征。
9.根据权利要求7所述的装置，其特征在于，所述提取模块还用于：
设置所述源域样本中的前景特征的权重。
10.根据权利要求7所述的装置，其特征在于，所述提取模块还用于：
采用类级对齐的方式，将所述源域样本中前景特征与所述目标域样本中前景特征进行对比。
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海南大学，未经海南大学许可，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/pat/books/202211247609.X/1.html，转载请声明来源钻瓜专利网。
