[发明专利]一种用于无监督域自适应的前景目标迁移方法

说明书

本发明公开了一种用于无监督域自适应的前景目标迁移方法，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。本发明还提供了一种用于无监督域自适应的前景目标迁移装置。本发明提供的一种用于无监督域自适应的前景目标迁移方法及装置，可以提升分类精度和分类效率。

技术领域

本发明涉及深度学习技术领域，特别涉及一种用于无监督域自适应的前景目标迁移方法。

背景技术

无监督域自适应基于深度神经网络，实现的是从标记的源领域训练一个分类模型，以适应未标记的目标领域的方法。由于源领域和目标领域的数据分布不同，使得分类模型在目标域的性能较差。

现有技术中，通过将源域和目标域的全局特征对齐，并学习域不变特征的方式，来改善分类模型的性能。但这一方式中，忽略了样本中前景特征和背景特征之间的差异，且并未考虑样本前景对象中的结构信息，即忽略样本精细的类特定结构，从而导致分类模型边界附近的噪声预测。

有鉴于此，有必要提供一种提升分类精度和分类效率的无监督域自适应方法。

发明内容

本申请的目的在于提升分类精度和分类效率。

为实现上述目的，本发明实施例提供了一种用于无监督域自适应的前景目标迁移方法及装置。所述技术方案如下：

第一方面，一种用于无监督域自适应的前景目标迁移方法，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。

进一步的，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。

进一步的，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。

进一步的，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。

进一步的，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。

第二方面，一种用于无监督域自适应的前景目标迁移装置，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。

进一步的，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。

进一步的，所述提取模块还用于：