[发明专利]一种基于领域对关联的迁移学习方法及装置

说明书

本发明所提供的一种基于领域对关联的迁移学习方法及装置，方法包括：当接收到目标域样本图像及目标域样本图像对应的类别标签时，获取源域样本图像；构建目标域样本图像与源域样本图像之间的特征关系图，得到特征相似图像对；将特征相似图像对输入预先训练的连续领域自适应模型中，将目标域样本图像对应的类别标签作为监督信息，并以基于特征互相关矩阵的预设学习目标为优化目标，对连续领域自适应模型进行迁移学习；将目标域目标图像输入已完成迁移学习的连续领域自适应模型中，得到预测结果。本发明实现了对比性的配对，在巩固模型先验关系的基础上对新源域的局部相关性进行增量探索，避免出现迁移性漂移现象，提高了预测结果的准确性。

技术领域

本发明涉及迁移学习技术领域，尤其涉及的是一种基于领域对关联的迁移学习方法及装置。

背景技术

无监督领域适应已被广泛探索，以减轻标记的源域和未标记的目标域之间的领域转移。它专门将领域知识从单一源域(如单源域自适应)或多个域(如多源域自适应)转移到目标域。

然而，现有的无监督领域适应研究工作传统地认为，所有来自源域的数据都是预先收集好的，用于训练无监督领域适应模型。这不可避免地无法应对更实际的情况：来自不同源域的数据是按顺序收集的，或者由于安全问题和数据隐私，用所有可用的源数据来适应目标域的模型在现实中是很难做到的。最近，有一些工作试图从连续的源域转移。然而，这些工作提出的问题不能从标准的无监督领域适应中扩展，并且缺乏可比性。

当前的无监督领域自适应方法大多忽略了领域间的局部相关性。目标域的某些样本与源域1的部分更为相似，但存在一些其他样本又与源域2更为相似。当历史源域与目标领域的局部相关性未得到保留，则可能出现迁移性漂移的现象，从而导致预测结果不准确。

因此，现有技术存在缺陷，有待改进与发展。

发明内容

本发明要解决的技术问题在于，针对现有技术的上述缺陷，提供一种基于领域对关联的迁移学习方法及装置，旨在解决现有技术中当历史源域与目标领域的局部相关性未得到保留，则可能出现迁移性漂移现象，从而导致预测结果不准确的问题。

本发明解决技术问题所采用的技术方案如下：

一种基于领域对关联的迁移学习方法，所述方法包括：

当接收到目标域样本图像及所述目标域样本图像对应的类别标签时，获取源域样本图像；

构建所述目标域样本图像与所述源域样本图像之间的特征关系图，并根据所述特征关系图得到特征相似图像对；

将所述特征相似图像对输入预先训练的连续领域自适应模型中，将所述目标域样本图像对应的类别标签作为监督信息，并以基于特征互相关矩阵的预设学习目标为优化目标，对所述连续领域自适应模型进行迁移学习；

当接收到目标域目标图像时，将所述目标域目标图像输入已完成迁移学习的所述连续领域自适应模型中，得到预测结果。

在一种实现方式中，所述连续领域自适应模型的训练步骤包括：

获取源域样本图像以及所述源域样本图像对应的训练类别标签，根据所述源域样本图像和对应的训练类别标签建立关系候选库；

基于所述关系候选库中不同语义表示的源域样本图像构建发散对比图像对；

基于互相关矩阵设定目标函数和巩固函数；

将所述发散对比图像对输入初始连续领域自适应模型中，将所述训练类别标签作为监督信息，并以所述目标函数和巩固函数为优化目标，对所述初始连续领域自适应模型进行训练；

训练完成后，得到已训练的连续领域自适应模型。