CN112966559A - 可靠主动域适应方法、环境感知方法、装置及存储介质 - Google Patents
可靠主动域适应方法、环境感知方法、装置及存储介质 Download PDFInfo
- Publication number
- CN112966559A CN112966559A CN202110150615.2A CN202110150615A CN112966559A CN 112966559 A CN112966559 A CN 112966559A CN 202110150615 A CN202110150615 A CN 202110150615A CN 112966559 A CN112966559 A CN 112966559A
- Authority
- CN
- China
- Prior art keywords
- classifier
- sample
- data set
- module
- target domain
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2431—Multiple classes
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种可靠主动域适应方法、环境感知方法、装置及存储介质,属于技术领域,包括:构建数据集包括源域数据集和目标域数据集;计算数据集的投影矩阵和特征矩阵;设定模型参数;参数初始化;计算分类器预测误差;计算分类器样本权重矩阵;利用目标函数最小化求解分类器第ξ次迭代的输出层权重;令ξ自增1,如果ξ<Γ则计算分类器预测误差,否则进行样本均衡处理;令τ自增1,如果τ<Φ进行参数初始化,否则预测目标域无标注样本的类别。本发明能够在标签存在噪声的情况下,保持一定的鲁棒性;在出现较大漂移的情况下,能够主动请求目标域的关键样本打上标签并进行主动学习;能够防止数据类别不均衡情况下的过拟合问题。
Description
技术领域
本发明涉及环境感知技术领域,特别涉及一种可靠主动域适应方法、环境感知方法、装置及存储介质。
背景技术
在迁移学习中,当源域和目标的数据分布不同,但两个任务相同时,这种特殊的迁移学习叫做域适应。领域自适应问题定义为:源域和目标域共享相同的特征和类别,但是特征分布不同,可以利用信息丰富的源域样本来提升目标域模型的性能。源域表示与测试样本不同的领域,具有丰富的监督标注信息;目标域表示测试样本所在的领域,无标签或者只有少量标签。源域和目标域往往属于同一类任务,但是分布不同。
目前,已经出现了较多出色的域适应(DA)方法,主要分为三个部分:1)基于参数的DA;2)基于实例的DA;以及3)基于特征的DA。这其中深度学习域适应方法大多是基于特征的,这些方法可以进一步分为基于差异的DA和基于对抗的DA。域适应方法在环境感知中有较多的应用,比如轮式机器人在地面上运动时会遇到各种地形,而保证机器人安全地穿越地形、避免其处于危险环境是十分重要的。已有的研究主要集中于基于激光雷达或视觉传感器的对障碍物的识别。对于墙壁、石块等无法通过的障碍物,我们称之为“几何威胁”;对于地面本身可能也会对机器人产生威胁,这种威胁我们称之为“非几何威胁”,例如:机器人穿越疏松的沙地时可能陷入其中。通过实时的地形感知,机器人可以根据不用的地形采用不同的控制策略,使其能够安全有效的穿越不同的地形。因此,实时的地形感知对在野外工作的轮式机器人是十分重要的。
但由于训练集不可能包含所有可能的环境,而环境会随着地理位置不同、温度变化、天气情况而改变,也就是存在数据漂移问题,现有的域适应方法存在标签噪声敏感、无法解决较大漂移的问题、且没有考虑数据类别不均衡问题;特别是对于环境感知,还没有一种方法来解决数据漂移问题。
发明内容
本发明的目的在于克服上述背景技术中的不足,解决现有技术中存在的数据漂移问题,提高环境感知的精度。
为实现以上目的,第一方面,采用一种可靠主动域适应方法,包括如下步骤:
S3、分别计算第一分类器和第二分类器的预测误差e1,i和e2,i;
S6、对按行求二范数得到并将δY中na个最大元素序号对应的样本打上标签,将na个打上标签后的样本从中移至中,更新源域数据集和目标域数据集的样本数量,其中,nt为目标域数据集中的样本数量,na是样本请求数量,是第一分类器的预测结果,是第二分类器的预测结果;
S7、令τ自增1,并判断是否满足τ<Φ,则执行步骤S2,否则执行步骤S8;
进一步地,所述分别计算第一分类器和第二分类器的预测误差e1,i和e2,i,包括:
进一步地,所述目标函数为:
其中,ρ和λ均是权衡系数,Q是高斯函数的数量,是所述目标域数据集的投影矩阵的转置,即表示宽度为σq的高斯核函数,c表示高斯核函数的中心,γq(0≤γq≤1)表示第q个高斯核函数的权重,||·||F是F范数,所述目标域数据集的投影矩阵其中,d表示特征维度,D为样本维度;
进一步地,还包括:
设定主动域适应最大迭代次数Φ>2,分类器优化最大迭代次数Γ>2,设定样本请求数量na>0,设置权衡系数ρ>0、权重参数λ>0,特征维度d,设定高斯函数的数量Q、第q个高斯核宽σq(q=1,2,…,Q)、高斯函数中心c以及高斯函数权重γq(q=1,2,…,Q)的值;
还包括:
计算所述第一分类器和第二分类器的样本权重矩阵Λ1和Λ2,其中,样本权重矩阵Λ1的第i(i=1,2,…,ns)个元素 样本权重矩阵Λ2的第i(i=1,2,…,ns)个元素 Q表示使用的高斯核函数数量,σq表示第q(q=1,2,…,Q)个高斯核函数宽度,即表示宽度为σq的高斯核函数,c表示高斯核函数的中心,γq(0≤γq≤1)表示第q个高斯核函数的权重,满足
第二方面,采用一种可靠主动域适应装置,包括构建模块、初始化模块、预测误差计算模块、目标函数处理模块、第一判断模块、样本均衡模块、第二判断模块以及预测模块,其中:
预测误差计算模块用于分别计算第一分类器和第二分类器的预测误差e1,i和e2,i;
第一判断模块用于令ξ自增1,并判断是否满足ξ<Γ,Γ是分类器优化最大迭代次数,以及预测误差计算模块用于在第一判断模块判断结果为是时分别计算第一分类器和第二分类器的预测误差e1,i和e2,i;
样本均衡模块用于在第一判断模块输出结果为否时,对按行求二范数得到并将δY中na个最大元素序号对应的样本打上标签,将na个打上标签后的样本从中移至中,更新源域数据集和目标域数据集的样本数量,其中,nt为目标域数据集中的样本数量,na是样本请求数量,是第一分类器的预测结果,是第二分类器的预测结果;
进一步地,所述预测误差计算模块具体用于:
进一步地,所述目标函数为:
其中,ρ和λ均是权衡系数,Q是高斯函数的数量,是所述目标域数据集的投影矩阵的转置,即表示宽度为σq的高斯核函数,c表示高斯核函数的中心,γq(0≤γq≤1)表示第q个高斯核函数的权重,||·||F是F范数,所述目标域数据集的投影矩阵其中,d表示特征维度,D为样本维度;
进一步地,还包括参数设置模块,用于设定主动域适应最大迭代次数Φ>2,分类器优化最大迭代次数Г>2,设定样本请求数量na>0,设置权衡系数ρ>0、权重参数λ>0,特征维度d,设定高斯函数的数量Q、第q个高斯核宽σq(q=1,2,…,Q)、高斯函数中心c以及高斯函数权重γq(q=1,2,…,Q)的值;
还包括样本权重矩阵计算模块,用于:
计算所述第一分类器和第二分类器的样本权重矩阵Λ1和Λ2,其中,样本权重矩阵Λ1的第q(i=1,2,…,ns)个元素 样本权重矩阵Λ2的第i(i=1,2,…,ns)个元素 Q表示使用的高斯核函数数量,σq表示第q(q=1,2,…,Q)个高斯核函数宽度,即表示宽度为σq的高斯核函数,c表示高斯核函数的中心,γq(0≤γq≤1)表示第q个高斯核函数的权重,满足
第三方面,采用一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行可实现如上所述的可靠主动域适应方法。
第四方面,采用一种环境感知方法,包括:
T3、分别计算第一分类器和第二分类器的预测误差e1,i和e2,i;
T6、对按行求二范数得到并将δY中na个最大元素序号对应的样本打上标签,将na个打上标签后的样本从中移至中,更新源域数据集和目标域数据集的样本数量,其中,nt为目标域数据集中的样本数量,na是样本请求数量,是第一分类器的预测结果,是第二分类器的预测结果;
T7、令τ自增1,并判断是否满足τ<Φ,则执行步骤T2,否则执行步骤T8;
进一步地,所述分别计算第一分类器和第二分类器的预测误差e1,i和e2,i,包括:
进一步地,所述目标函数为:
其中,ρ和λ均是权衡系数,Q是高斯函数的数量,是所述目标域数据集的投影矩阵的转置,即表示宽度为σq的高斯核函数,c表示高斯核函数的中心,γq(0≤γq≤1)表示第q个高斯核函数的权重,||·||F是F范数,所述目标域数据集的投影矩阵其中,d表示特征维度,D为样本维度;
进一步地,还包括:
设定主动域适应最大迭代次数Φ>2,分类器优化最大迭代次数Γ>2,设定样本请求数量na>0,设置权衡系数ρ>0、权重参数λ>0,特征维度d,设定高斯函数的数量Q、第q个高斯核宽σq(q=1,2,…,Q)、高斯函数中心c以及高斯函数权重γq(q=1,2,…,Q)的值;
还包括:
计算所述第一分类器和第二分类器的样本权重矩阵Λ1和Λ2,其中,样本权重矩阵Λ1的第i(i=1,2,…,ns)个元素 样本权重矩阵Λ2的第i(i=1,2,…,ns)个元素 Q表示使用的高斯核函数数量,σq表示第q(q=1,2,…,Q)个高斯核函数宽度,即表示宽度为σq的高斯核函数,c表示高斯核函数的中心,γq(0≤γq≤1)表示第q个高斯核函数的权重,满足
第五方面,采用一种环境感知装置,包括构建模块、初始化模块、预测误差计算模块、目标函数处理模块、第一判断模块、样本均衡模块、第二判断模块以及预测模块,其中:
预测误差计算模块用于分别计算第一分类器和第二分类器的预测误差e1,i和e2,i;
第一判断模块用于令ξ自增1,并判断是否满足ξ<Γ,Γ是分类器优化最大迭代次数,以及预测误差计算模块用于在第一判断模块判断结果为是时分别计算第一分类器和第二分类器的预测误差e1,i和e2,i;
样本均衡模块用于在第一判断模块输出结果为否时,对按行求二范数得到并将δY中na个最大元素序号对应的样本打上标签,将na个打上标签后的样本从中移至中,更新源域数据集和目标域数据集的样本数量,其中,nt为目标域数据集中的样本数量,na是样本请求数量,是第一分类器的预测结果,是第二分类器的预测结果;
进一步地,所述预测误差计算模块具体用于:
进一步地,所述目标函数为:
其中,ρ和λ均是权衡系数,Q是高斯函数的数量,是所述目标域数据集的投影矩阵的转置,即表示宽度为σq的高斯核函数,c表示高斯核函数的中心,γq(0≤γq≤1)表示第q个高斯核函数的权重,||·||F是F范数,所述目标域数据集的投影矩阵其中,d表示特征维度,D为样本维度;
进一步地,还包括参数设置模块,用于设定主动域适应最大迭代次数Φ>2,分类器优化最大迭代次数Г>2,设定样本请求数量na>0,设置权衡系数ρ>0、权重参数λ>0,特征维度d,设定高斯函数的数量Q、第q个高斯核宽σq(q=1,2,…,Q)、高斯函数中心c以及高斯函数权重γq(q=1,2,…,Q)的值;
还包括样本权重矩阵计算模块,以消除错误标签,用于:
计算所述第一分类器和第二分类器的样本权重矩阵Λ1和Λ2,其中,样本权重矩阵Λ1的第q(i=1,2,…,ns)个元素 样本权重矩阵Λ2的第i(i=1,2,…,ns)个元素 Q表示使用的高斯核函数数量,σq表示第q(q=1,2,…,Q)个高斯核函数宽度,即表示宽度为σq的高斯核函数,c表示高斯核函数的中心,γq(0≤γq≤1)表示第q个高斯核函数的权重,满足
第六方面,采用一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行可实现如上所述的环境感知方法。
与现有技术相比,本发明存在以下技术效果:本发明能够在标签存在噪声的情况下,保持一定的鲁棒性;在出现较大漂移的情况下,能够主动请求目标域的关键样本打上标签并进行主动学习;能够防止数据类别不均衡情况下的过拟合问题。
附图说明
下面结合附图,对本发明的具体实施方式进行详细描述:
图1是数据集构建示意图;
图2是一种可靠主动域适应方法的流程图。
具体实施方式
为了更进一步说明本发明的特征,请参阅以下有关本发明的详细说明与附图。所附图仅供参考与说明之用,并非用来对本发明的保护范围加以限制。
如图2所示,本实施例公开了一种可靠主动域适应方法,包括如下步骤:
(1)构建数据集,数据集中存储有序列数据,该序列数据包括振动数据、测井数据、语音数据、脑电波以及心电图等:
有标签的源域数据集无标签的目标域数据集其中表示源域样本,ns为源域样本数量,D为样本维度,表示目标域样本,nt为目标域样本数量,为xi对应的标签,类别数量为C;则源域样本矩阵为源域标签矩阵为目标域样本矩阵为
(2)计算投影矩阵和特征矩阵:
(3)参数设定:
设定主动域适应最大迭代次数Φ>2,分类器优化最大迭代次数Г>2,设定样本请求数量na>0,设置权衡系数ρ>0、λ>0,设定特征维度d,设定高斯函数数量Q、第q个高斯核宽σq(q=1,2,…,Q)、高斯函数中心c、高斯函数权重γq(q=1,2,…,Q)的值;
(4)令主动域适应迭代次数τ=1;
(5)初始化:
(6)计算预测误差:
(7)计算样本权重矩阵:
计算第一分类器的样本权重矩阵Λ1,其中第i(i=1,2,…,ns)个元素其中Q表示使用的高斯核函数数量,σq表示第q(q=1,2,…,Q)个高斯核函数宽度,即表示宽度为σq的高斯核函数,c表示高斯核函数的中心,γq(0≤γq≤1)表示第q个高斯核函数的权重,满足
(8)目标函数最小化:
其中,ρ,λ>0为权衡系数;
(10)样本均衡处理:
(11)令τ自增1,如果τ<Φ,则跳至步骤(5),否则进入步骤(12);
作为进一步优选的技术方案,本实施例公开一组可选的参数:Γ=100、ρ=100、λ=0.1、d=20、Q=2、σ1=1、σ2=0.1、c=0、γ1=0.5、γ2=0.5。
本实施例还公开了一种可靠主动域适应装置,包括构建模块、初始化模块、预测误差计算模块、目标函数处理模块、第一判断模块、样本均衡模块、第二判断模块以及预测模块,其中:
预测误差计算模块用于分别计算第一分类器和第二分类器的预测误差e1,i和e2,i;
第一判断模块用于令ξ自增1,并判断是否满足ξ<Γ,Γ是分类器优化最大迭代次数,以及预测误差计算模块用于在第一判断模块判断结果为是时分别计算第一分类器和第二分类器的预测误差e1,i和e2,i;
样本均衡模块用于在第一判断模块输出结果为否时,对按行求二范数得到并将δY中na个最大元素序号对应的样本打上标签,将na个打上标签后的样本从中移至中,更新源域数据集和目标域数据集的样本数量,其中,nt为目标域数据集中的样本数量,na是样本请求数量,是第一分类器的预测结果,是第二分类器的预测结果;
作为进一步优选的技术方案,所述预测误差计算模块具体用于:
所述目标函数为:
其中,ρ和λ均是权衡系数,Q是高斯函数的数量,是所述目标域数据集的投影矩阵的转置,即表示宽度为σq的高斯核函数,c表示高斯核函数的中心,γq(0≤γq≤1)表示第q个高斯核函数的权重,||·||F是F范数,所述目标域数据集的投影矩阵其中,d表示特征维度,D为样本维度;
作为进一步优选的技术方案,还包括参数设置模块,用于设定主动域适应最大迭代次数Φ>2,分类器优化最大迭代次数Γ>2,设定样本请求数量na>0,设置权衡系数ρ>0、权重参数λ>0,特征维度d,设定高斯函数的数量Q、第q个高斯核宽σq(q=1,2,…,Q)、高斯函数中心c以及高斯函数权重γq(q=1,2,…,Q)的值;
还包括样本权重矩阵计算模块,用于:
计算所述第一分类器和第二分类器的样本权重矩阵Λ1和Λ2,其中,样本权重矩阵Λ1的第i(i=1,2,…,ns)个元素 样本权重矩阵Λ2的第i(i=1,2,…,ns)个元素 Q表示使用的高斯核函数数量,σq表示第q(q=1,2,…,Q)个高斯核函数宽度,即表示宽度为σq的高斯核函数,c表示高斯核函数的中心,γq(0≤γq≤1)表示第q个高斯核函数的权重,满足
本实施例还公开了一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行可实现所述的可靠主动域适应方法
本实施例公开了一种环境感知方法,其中序列数据为振动数据,包括如下步骤:
(1)构建数据集:
如图1所示,控制机器人分别在不同地形上匀速运动一段时间,期间利用安装在机器人上的加速度计检测X/Y/Z轴方向的振动信号,得到振动信号的时间序列,简称振动序列;对振动序列以秒为单位进行数据分割,得到振动帧集合;振动帧是以秒为单位截断后的较短的振动序列;对每个振动帧采用快速傅里叶变换即可得到特征向量,一个数据集由特征向量组成。机器人上同时安装有朝向地面的摄像头,能够拍摄地面图像,因此可以利用时间戳将振动帧和地面图像对应起来,进而人工观察图像来为振动帧打上标签,标签可以是地面类型,例如草地、水泥地等。如此构建有标签的源域数据集构建无标签的目标域数据集其中 表示源域样本,ns为源域样本数量,D为样本维度,表示目标域样本,nt为目标域样本数量,为xi对应的标签,类别数量为C;则源域样本矩阵为源域标签矩阵为目标域样本矩阵为
(2)计算投影矩阵和特征矩阵:
(3)参数设定:
设定主动域适应最大迭代次数Φ>2,分类器优化最大迭代次数Г>2,设定样本请求数量na>0,设置权衡系数ρ>0、λ>0,设定特征维度d,设定高斯函数数量Q、第q个高斯核宽σQ(Q=1,2,…,Q)、高斯函数中心c、高斯函数权重γQ(q=1,2,…,Q)的值;
(4)令主动域适应迭代次数τ=1;
(5)初始化:
(6)计算预测误差:
(7)计算样本权重矩阵,以消除错误标签:
计算第一分类器的样本权重矩阵Λ1,其中第i(i=1,2,…,ns)个元素其中Q表示使用的高斯核函数数量,σq表示第q(q=1,2,…,Q)个高斯核函数宽度,即表示宽度为σq的高斯核函数,c表示高斯核函数的中心,γq(0≤γq≤1)表示第q个高斯核函数的权重,满足
(8)目标函数最小化:
其中,ρ,λ>0为权衡系数;
(10)样本均衡处理:
(11)令τ自增1,如果τ<Φ,则跳至步骤(5),否则进入步骤(12);
作为进一步优选的技术方案,本实施例公开一组可选的参数:Γ=100、ρ=100、λ=0.1、d=20、Q=2、σ1=1、σ2=1、c=0、γ1=0.5、γ2=0.5。
本实施例还公开了一种环境感知装置,包括构建模块、初始化模块、预测误差计算模块、目标函数处理模块、第一判断模块、样本均衡模块、第二判断模块以及预测模块,其中:
预测误差计算模块用于分别计算第一分类器和第二分类器的预测误差e1,i和e2,i;
第一判断模块用于令ξ自增1,并判断是否满足ξ<Г,Г是分类器优化最大迭代次数,以及预测误差计算模块用于在第一判断模块判断结果为是时分别计算第一分类器和第二分类器的预测误差e1,i和e2,i;
样本均衡模块用于在第一判断模块输出结果为否时,对按行求二范数得到并将δY中na个最大元素序号对应的样本打上标签,将na个打上标签后的样本从中移至中,更新源域数据集和目标域数据集的样本数量,其中,nt为目标域数据集中的样本数量,na是样本请求数量,是第一分类器的预测结果,是第二分类器的预测结果;
作为进一步优选的技术方案,所述预测误差计算模块具体用于:
所述目标函数为:
其中,ρ和λ均是权衡系数,Q是高斯函数的数量,是所述目标域数据集的投影矩阵的转置,即表示宽度为σq的高斯核函数,c表示高斯核函数的中心,γq(0≤γq≤1)表示第q个高斯核函数的权重,||·||F是F范数,所述目标域数据集的投影矩阵其中,d表示特征维度,D为样本维度;
作为进一步优选的技术方案,还包括参数设置模块,用于设定主动域适应最大迭代次数Φ>2,分类器优化最大迭代次数Γ>2,设定样本请求数量na>0,设置权衡系数ρ>0、权重参数λ>0,特征维度d,设定高斯函数的数量Q、第q个高斯核宽σq(q=1,2,…,Q)、高斯函数中心c以及高斯函数权重γq(q=1,2,…,Q)的值;
还包括样本权重矩阵计算模块,用于:
计算所述第一分类器和第二分类器的样本权重矩阵Λ1和Λ2,其中,样本权重矩阵Λ1的第q(i=1,2,…,ns)个元素 样本权重矩阵Λ2的第i(i=1,2,…,ns)个元素 Q表示使用的高斯核函数数量,σq表示第q(q=1,2,…,Q)个高斯核函数宽度,即表示宽度为σq的高斯核函数,c表示高斯核函数的中心,γq(0≤γq≤1)表示第q个高斯核函数的权重,满足
本实施例公开了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行可实现所述的环境感知方法。
本领域普通技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述的程序可以存储于一计算机可读取存储介质中,该程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质包括:ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (18)
1.一种可靠主动域适应方法,其特征在于,包括:
S3、分别计算第一分类器和第二分类器的预测误差e1,i和e2,i;
S6、对按行求二范数得到并将δY中na个最大元素序号对应的样本打上标签,将na个打上标签后的样本从中移至中,更新源域数据集和目标域数据集的样本数量,其中,nt为目标域数据集中的样本数量,na是样本请求数量,是第一分类器的预测结果,是第二分类器的预测结果;
S7、令τ自增1,并判断是否满足τ<Φ,则执行步骤S2,否则执行步骤S8;
4.如权利要求1-3任一项所述的可靠主动域适应方法,其特征在于,还包括:
设定主动域适应最大迭代次数Φ>2,分类器优化最大迭代次数Γ>2,设定样本请求数量na>0,设置权衡系数ρ>0、权重参数λ>0,特征维度d,设定高斯函数的数量Q、第q个高斯核宽σq(q=1,2,…,Q)、高斯函数中心c以及高斯函数权重γq(q=1,2,…,Q)的值;
还包括:
5.一种可靠主动域适应装置,其特征在于,包括构建模块、初始化模块、预测误差计算模块、目标函数处理模块、第一判断模块、样本均衡模块、第二判断模块以及预测模块,其中:
预测误差计算模块用于分别计算第一分类器和第二分类器的预测误差e1,i和e2,i;
第一判断模块用于令ξ自增1,并判断是否满足ξ<Γ,Γ是分类器优化最大迭代次数,以及预测误差计算模块用于在第一判断模块判断结果为是时分别计算第一分类器和第二分类器的预测误差e1,i和e2,i;
样本均衡模块用于在第一判断模块输出结果为否时,对按行求二范数得到并将δY中na个最大元素序号对应的样本打上标签,将na个打上标签后的样本从中移至中,更新源域数据集和目标域数据集的样本数量,其中,nt为目标域数据集中的样本数量,na是样本请求数量,是第一分类器的预测结果,是第二分类器的预测结果;
8.如权利要求5-7任一项所述的可靠主动域适应装置,其特征在于,还包括参数设置模块,用于设定主动域适应最大迭代次数Φ>2,分类器优化最大迭代次数Γ>2,设定样本请求数量na>0,设置权衡系数ρ>0、权重参数λ>0,特征维度d,设定高斯函数的数量Q、第q个高斯核宽σq(q=1,2,…,Q)、高斯函数中心c以及高斯函数权重γq(q=1,2,…,Q)的值;
还包括样本权重矩阵计算模块,用于:
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行可实现如权利要求1-4中任意一项所述的可靠主动域适应方法。
10.一种环境感知方法,其特征在于,包括:
T3、分别计算第一分类器和第二分类器的预测误差e1,i和e2,i;
T6、对按行求二范数得到并将δY中na个最大元素序号对应的样本打上标签,将na个打上标签后的样本从中移至中,更新源域数据集和目标域数据集的样本数量,其中,nt为目标域数据集中的样本数量,na是样本请求数量,是第一分类器的预测结果,是第二分类器的预测结果;
T7、令τ自增1,并判断是否满足τ<Φ,则执行步骤T2,否则执行步骤T8;
13.如权利要求10-12任一项所述的环境感知方法,其特征在于,还包括:
设定主动域适应最大迭代次数Φ>2,分类器优化最大迭代次数Γ>2,设定样本请求数量na>0,设置权衡系数ρ>0、权重参数λ>0,特征维度d,设定高斯函数的数量Q、第q个高斯核宽σq(q=1,2,…,Q)、高斯函数中心c以及高斯函数权重γq(q=1,2,…,Q)的值;
还包括:
14.一种环境感知装置,其特征在于,包括构建模块、初始化模块、预测误差计算模块、目标函数处理模块、第一判断模块、样本均衡模块、第二判断模块以及预测模块,其中:
预测误差计算模块用于分别计算第一分类器和第二分类器的预测误差e1,i和e2,i;
第一判断模块用于令ξ自增1,并判断是否满足ξ<Γ,Γ是分类器优化最大迭代次数,以及预测误差计算模块用于在第一判断模块判断结果为是时分别计算第一分类器和第二分类器的预测误差e1,i和e2,i;
样本均衡模块用于在第一判断模块输出结果为否时,对按行求二范数得到并将δY中na个最大元素序号对应的样本打上标签,将na个打上标签后的样本从中移至中,更新源域数据集和目标域数据集的样本数量,其中,nt为目标域数据集中的样本数量,na是样本请求数量,是第一分类器的预测结果,是第二分类器的预测结果;
17.如权利要求14-16任一项所述的环境感知装置,其特征在于,还包括参数设置模块,用于设定主动域适应最大迭代次数Φ>2,分类器优化最大迭代次数Γ>2,设定样本请求数量na>0,设置权衡系数ρ>0、权重参数λ>0,特征维度d,设定高斯函数的数量Q、第q个高斯核宽σq(q=1,2,…,Q)、高斯函数中心c以及高斯函数权重γq(q=1,2,…,Q)的值;
还包括样本权重矩阵计算模块,用于:
18.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行可实现如权利要求10-13中任意一项所述的环境感知方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110150615.2A CN112966559B (zh) | 2021-02-03 | 2021-02-03 | 可靠主动域适应方法、环境感知方法、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110150615.2A CN112966559B (zh) | 2021-02-03 | 2021-02-03 | 可靠主动域适应方法、环境感知方法、装置及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112966559A true CN112966559A (zh) | 2021-06-15 |
CN112966559B CN112966559B (zh) | 2022-09-06 |
Family
ID=76274608
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110150615.2A Active CN112966559B (zh) | 2021-02-03 | 2021-02-03 | 可靠主动域适应方法、环境感知方法、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112966559B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113537458A (zh) * | 2021-06-21 | 2021-10-22 | 中国科学技术大学 | 一种有理式函数神经网络构建方法、系统及可读存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180032900A1 (en) * | 2016-07-27 | 2018-02-01 | International Business Machines Corporation | Greedy Active Learning for Reducing Labeled Data Imbalances |
CN109308485A (zh) * | 2018-08-02 | 2019-02-05 | 中国矿业大学 | 一种基于字典域适应的迁移稀疏编码图像分类方法 |
CN110147826A (zh) * | 2019-04-23 | 2019-08-20 | 中国科学技术大学 | 一种动态环境下机器人地面分类方法及系统 |
KR102039138B1 (ko) * | 2019-04-02 | 2019-10-31 | 주식회사 루닛 | 적대적 학습에 기반한 도메인 어댑테이션 방법 및 그 장치 |
CN111767674A (zh) * | 2020-05-29 | 2020-10-13 | 中国科学技术大学 | 一种基于主动域适应的测井岩性识别方法 |
CN112308147A (zh) * | 2020-11-02 | 2021-02-02 | 西安电子科技大学 | 基于多源域锚适配器集成迁移的旋转机械故障诊断方法 |
-
2021
- 2021-02-03 CN CN202110150615.2A patent/CN112966559B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180032900A1 (en) * | 2016-07-27 | 2018-02-01 | International Business Machines Corporation | Greedy Active Learning for Reducing Labeled Data Imbalances |
CN109308485A (zh) * | 2018-08-02 | 2019-02-05 | 中国矿业大学 | 一种基于字典域适应的迁移稀疏编码图像分类方法 |
KR102039138B1 (ko) * | 2019-04-02 | 2019-10-31 | 주식회사 루닛 | 적대적 학습에 기반한 도메인 어댑테이션 방법 및 그 장치 |
CN110147826A (zh) * | 2019-04-23 | 2019-08-20 | 中国科学技术大学 | 一种动态环境下机器人地面分类方法及系统 |
CN111767674A (zh) * | 2020-05-29 | 2020-10-13 | 中国科学技术大学 | 一种基于主动域适应的测井岩性识别方法 |
CN112308147A (zh) * | 2020-11-02 | 2021-02-02 | 西安电子科技大学 | 基于多源域锚适配器集成迁移的旋转机械故障诊断方法 |
Non-Patent Citations (2)
Title |
---|
CLAUDIO PERSELLO ETAL.: "A novel active learning strategy for domain adaptation in the classification of remote sensing images", 《2011 IEEE INTERNATIONAL GEOSCIENCE AND REMOTE SENSING SYMPOSIUM》 * |
周军娜等: "通过域适应实现人脸识别", 《计算机应用研究》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113537458A (zh) * | 2021-06-21 | 2021-10-22 | 中国科学技术大学 | 一种有理式函数神经网络构建方法、系统及可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112966559B (zh) | 2022-09-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Fan et al. | Watching a small portion could be as good as watching all: Towards efficient video classification | |
Pathak et al. | Feature selection for image steganalysis using levy flight-based grey wolf optimization | |
García et al. | A Distributed K‐Means Segmentation Algorithm Applied to Lobesia botrana Recognition | |
US20210187733A1 (en) | Data-efficient hierarchical reinforcement learning | |
CN112966559B (zh) | 可靠主动域适应方法、环境感知方法、装置及存储介质 | |
Dzieciuch et al. | Non-linear convolutional neural network for automatic detection of mine-like objects in sonar imagery | |
Ganesan et al. | Robust malware detection using residual attention network | |
CN115358305A (zh) | 一种基于边界样本迭代生成的增量学习鲁棒性提升方法 | |
Gonçalves et al. | Automatic detection of Acacia longifolia invasive species based on UAV-acquired aerial imagery | |
CN110618854B (zh) | 基于深度学习与内存镜像分析的虚机行为分析系统 | |
Hosseini et al. | Android malware classification using convolutional neural network and LSTM | |
Fiza et al. | Improved chimp optimization algorithm (ICOA) feature selection and deep neural network framework for internet of things (IOT) based android malware detection | |
CN116630268A (zh) | 一种道路病害检测方法、系统、设备及介质 | |
Paluszek et al. | Machine learning examples in Matlab | |
CN115880572A (zh) | 一种基于异步学习因子的前视声呐目标识别方法 | |
Wu et al. | Unsupervised domain adaptation for vibration-based robotic ground classification in dynamic environments | |
CN113901932A (zh) | 融合人工鱼与粒子群算法的工程机械图像识别方法及系统 | |
Amer et al. | Weight map layer for noise and adversarial attack robustness | |
CN114707572A (zh) | 一种基于损失函数敏感度的深度学习样本测试方法与装置 | |
Jaworska | Image segment classification using CNN | |
Sykes et al. | Computer vision for plant pathology: A review with examples from cocoa agriculture | |
Goel et al. | Swarm and artificial immune system-based intelligence techniques for geo-spatial feature extraction | |
KR20230015284A (ko) | 머신 학습을 위한 디바이스, 컴퓨터 프로그램 및 컴퓨터로 구현된 방법 | |
US20220101196A1 (en) | Device for and computer implemented method of machine learning | |
US20240144097A1 (en) | Universal Post-Training Backdoor Detection and Mitigation for Classifiers |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |