CN113269278B - 基于领域翻转的机器人巡航目标识别方法及系统 - Google Patents

基于领域翻转的机器人巡航目标识别方法及系统 Download PDF

Info

Publication number
CN113269278B
CN113269278B CN202110803498.5A CN202110803498A CN113269278B CN 113269278 B CN113269278 B CN 113269278B CN 202110803498 A CN202110803498 A CN 202110803498A CN 113269278 B CN113269278 B CN 113269278B
Authority
CN
China
Prior art keywords
domain
target
sample
target domain
adaptive model
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.)
Active
Application number
CN202110803498.5A
Other languages
English (en)
Other versions
CN113269278A (zh
Inventor
杨光远
韩忠义
丁冬睿
孔妍
张梅玉
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangdong Zhongju Artificial Intelligence Technology Co ltd
Original Assignee
Guangdong Zhongju Artificial Intelligence Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guangdong Zhongju Artificial Intelligence Technology Co ltd filed Critical Guangdong Zhongju Artificial Intelligence Technology Co ltd
Priority to CN202110803498.5A priority Critical patent/CN113269278B/zh
Publication of CN113269278A publication Critical patent/CN113269278A/zh
Application granted granted Critical
Publication of CN113269278B publication Critical patent/CN113269278B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • 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
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Feedback Control In General (AREA)

Abstract

本发明公开了一种基于领域翻转的机器人巡航目标识别方法及系统，其首先根据源域数据和目标域数据训练得到域自适应模型，然后利用域自适应模型对目标域数据进行训练，并使用噪声学习方法挑选得到目标域可信样本，接着将目标域可信样本作为源域数据，将源域数据作为目标域数据对域自适应模型进行训练，最后不断迭代优化,直至自适应模型学到最优的域不变特征。本发明通过引入噪声学习方法，提高了目标域干净伪标签样本筛选准确率，增加了目标域的可信度；同时通过不停的迭代翻转源域和目标域，可学到最优的域不变表示，从而提升源域的识别率，进而有效的降低机器人巡航的误诊率，提高开放场景的识别效率。

Description

基于领域翻转的机器人巡航目标识别方法及系统
技术领域
本发明涉及目标识别技术领域，尤其是涉及一种基于领域翻转的机器人巡航目标识别方法及系统。
背景技术
机器人巡航开放场景下的目标识别是指在机器人巡航的过程中存在分布变化时，实现全自动的目标场景识别。现实世界中很多场所需要配置安防巡逻，保障人民群众的生命以及财产安全，比如学校、大型商场、重要路口、机场、地跌站等等。但是，24h安防巡逻需要耗费巨大的人力物力，安防资源严重不足，且分配不均匀。随着人工智能时代的来临，全智能化的微小物体检测在机器人巡航任务中发挥着较大的作用，不但能够减轻安防人员的负担，减少场所的安保支出，而且还能全方位无死角的检测出安全隐患。机器人巡航开放场景下的目标识别面临的最大困难是现实场景的检测数据具有高度动态性、复杂性、和多变性，各种突发情况在训练数据中很难涵盖，也就是训练数据不可能覆盖一切可能发生的情况，各种不良的对抗攻击策略让安防机器学习系统形同虚设。
在实际应用中，同分布假设和相对封闭、静态、可控条件经常不能得到满足。比如，对人脸识别而言，由于光照条件变化、表情变化、采集角度变化（正面、侧面、抬头、低头等）等客观因素的存在,会使得训练样本和测试样本较大程度偏离同分布假设,导致人脸识别系统的泛化性能达不到预期效果。因此，机器人巡航开放场景下的目标识别技术需要满足分布变化时的鲁棒性和泛化性。针对机器人巡航开放场景下分布变化问题，域自适应是有效提升模型或方法的鲁棒性和泛化性的可行途径之一。域自适应的目标是在训练集（源域）和测试集（目标域）概率分布不一致的情况下实现有效学习。
近年来，国内外同行已在域自适应的理论和方法上开展了较为深入的研究、取得了较大进展，初步奠定了域自适应方向的研究基础。现有的工作可以分为基于样本、基于特征和基于推理的方法。基于样本的方法侧重于在训练过程中根据单个样本对目标域数据的重要性对其进行加权。基于特征的方法围绕着映射、预测和特征表示，从而使源分类器在目标域上表现良好，而基于推理的方法将适应性纳入参数估计过程，例如通过对优化过程的约束。
虽然现有的方法取得了一定的成功，但面临着以下两种缺点：
（1）源域识别率不高。虽然域自适应的目标是提升目标域的准确率，但是一味的追求目标域准确率，可能会导致源域的准确率下降；
（2）域不变特征的学习能力较弱。域不变特征是克服分布变化的关键，但现有方法不能完全的学习到域不变特征，可能导致模型的泛化性下降。
发明内容
本发明的目的在于克服上述技术不足，提出一种基于领域翻转的机器人巡航目标识别方法及系统，其能有效的降低机器人巡航的误诊率，提高开放场景的识别效率。
为达到上述技术目的，本发明的技术方案第一方面提供一种基于领域翻转的机器人巡航目标识别方法，其包括如下步骤：
S1、根据源域数据和目标域数据训练得到域自适应模型；
S2、利用域自适应模型对目标域数据进行训练，并使用噪声学习方法挑选得到目标域可信样本；
S3、将目标域可信样本作为源域数据，将源域数据作为目标域数据对域自适应模型进行训练；
S4、迭代优化步骤S1至S3, 直至自适应模型学到最优的域不变特征。
本发明第二方面提供一种基于领域翻转的机器人巡航目标识别系统，其包括如下功能模块：
模型建立模块，用于根据源域数据和目标域数据训练得到域自适应模型；
可信样本筛选模块，用于利用域自适应模型对目标域数据进行训练，并使用噪声学习方法挑选得到目标域可信样本；
反向训练模块，用于将目标域可信样本作为源域数据，将源域数据作为目标域数据对域自适应模型进行训练；
迭代优化模块，用于在模型建立模块和反向训练模块之间建立迭代优化回路，通过迭代优化回路对自适应模型进行迭代优化，直至自适应模型学到最优的域不变特征。
本发明第三方面提供一种服务器，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述一种基于领域翻转的机器人巡航目标识别方法的步骤。
本发明第四方面提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述一种基于领域翻转的机器人巡航目标识别方法的步骤。
与现有技术相比，本发明通过引入噪声学习方法，提高了目标域干净伪标签样本筛选准确率，增加了目标域的可信度；同时通过不停的迭代翻转源域和目标域，可学到最优的域不变表示，从而提升源域的识别率，进而有效的降低机器人巡航的误诊率，提高开放场景的识别效率；且具有较强的可移植性、灵活性以及可复制型，在几乎不增加成本的情况下，可以用于大规模的机器巡航开放场景下的目标识别。
附图说明
图1是本发明实施例所述的基于领域翻转的机器人巡航目标识别方法的流程框图。
图2是图1中步骤S2的分步骤流程框图。
图3是本发明实施例所述的基于领域翻转的机器人巡航目标识别系统的模块框图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
基于上述内容，本发明实施例提供一种基于领域翻转的机器人巡航目标识别方法，如图1所示，其包括如下步骤：
S1、根据源域数据和目标域数据训练得到域自适应模型。
拟设计一个基于交叉熵损失的深度对抗域自适应模型，用它学习来自不同概率分布和不同类别样本的本质特征，具体采用源域数据和目标域数据对域自适应模型进行训练，通过交叉熵损失训练得到一个源域目标识别效果最优的域自适应模型。
所述域自适应模型的结构包括表征学习器，特征提取器、分类器和域判别器等；其中，所述表征学习器用于分别学习源域和目标域的条件信息得到高维特征，所述特征提取器用于自高维特征中抽取源域和目标域的条件性不变特征；所述分类器用于根据不变特征对源域数据进行分类；所述域判别器用于区分输入的高维特征是来自源域的还是来自目标域的，并通过对抗损失来最大化域分类差异，例如假设源域的标签为0，目标域标签为1，最大化域分类误差就是让域判别器分不清源域还是目标域，如此这样，源域和目标域在分布上就变得很齐了，以此初步获得域不变特征。训练过程中，利用源域和目标域数据，同时优化源域风险和分布差异度量。
具体的，所述域自适应模型的损失公式如下：
Figure DEST_PATH_IMAGE001
式中，1表示指示函数，
Figure DEST_PATH_IMAGE002
表示标签为k的样本
Figure DEST_PATH_IMAGE003
的损失,
Figure DEST_PATH_IMAGE004
表示域自适应模型的输出。
所述域自适应模型的特征提取对抗损失的公式如下：
Figure DEST_PATH_IMAGE005
式中，
Figure DEST_PATH_IMAGE006
表示源域分布；
Figure DEST_PATH_IMAGE007
表示目标域分布；
Figure DEST_PATH_IMAGE008
表示源域数据采样样本；
Figure DEST_PATH_IMAGE009
表示目标域数据采样样本；
Figure DEST_PATH_IMAGE010
表示源域样本的判别结果；
Figure DEST_PATH_IMAGE011
表示目标域样本的判别结果。
所述域自适应模型的最终优化损失为：
Figure DEST_PATH_IMAGE012
式中，
Figure DEST_PATH_IMAGE013
为均衡参数。
S2、利用域自适应模型对目标域数据进行训练，并使用噪声学习方法挑选得到目标域可信样本。
噪声学习方法的出发点是基于DNN近期的记忆效应，考虑到深度模型的记忆能力，基于训练过程中样本的loss值的相对大小来识别错误标签，因此，采用small-loss某种程度上可以去除噪声标签数据的干扰。正是由于这种特性，我们将所有的带伪标签的目标域数据输入一个DNN模型中，在训练的早期，噪声样本的平均loss值是远远大于干净样本的，而在训练的后期网络才会学会所有样本。通过前期的epochs，可以去除掉部分噪声标签的影响，从而通过类平均small-loss的一定比例可以选择到每一类中较为干净的样本做为可信标签的样本。
挑选可信样本的目的是为了获取到目标域样本的准确标签，利用这些可信样本的标签来微调刚刚获取到的域自适应模型，从而可以进一步获取到目标域的不变特征。
因此，如图2所示，所述步骤S2包括如下分步骤：
S21、将域自适应模型在目标域上测试，输出目标域样本的伪标签；
S22、将目标域样本的伪标签视为真实标签，重新训练一个目标域模型；
S23、训练目标域样本的同时，收集若干轮每个目标域样本的损失；
S24、计算每个目标域样本的平均损失，并按照从小到大排序；
S25、根据小损失准则，筛选平均损失值较小的部分样本作为可靠样本。
在域自适应模型对目标域数据进行训练的过程中，随着迭代轮次的增加，域自适应模型逐渐从欠拟合过渡到过拟合的状态，在训练的初期，由于域自适应模型很快学会了部分“简单”样本，模型精度的提升是非常明显的，因此这类样本的loss值比较小，与之相反，那些困难的样本通常是训练的后期才逐渐被学会。而在观察训练过程中发现，噪声样本通常是在训练的后期才被学会，因而在训练的早期，噪声样本的平均loss值是远远大于干净样本的，而在训练的后期域自适应模型才会学会所有样本。故在训练的早期，根据每一类的small loss平均损失，选择某一比例（比如50%或60%等）来挑选可靠样本（即干净样本），然后用这些可靠样本来训练模型。
因此，所述分步骤S25具体包括：在目标域模型欠拟合初期，根据小损失准则，筛选平均损失值较小的部分样本作为可靠样本。
S3、将目标域可信样本作为源域数据，将源域数据作为目标域数据对域自适应模型进行训练。
为提升源域的识别率，学习到域不变特征，将可信的目标域样本视为源域，源域样本视为目标域，进一步训练之前的域自适应模型，使得域自适应模型在源域上的效果不降低，当源域和目标域上的效果均为最优时，此时就认为域自适应模型学习到了源域和目标域的域不变特征，在分布变化存在的两个域上的效果均最优，从而提升域自适应模型在源域上的识别率。
S4、迭代优化步骤S1至S3, 直至自适应模型学到最优的域不变特征。
其中，在迭代优化过程中，采用增量学习策略控制目标域可信样本分布的大小。所述增量学习表示逐渐增加可信伪标签样本选择比例；具体来说，在噪声学习过程中，随着过程的不断迭代，提取的样本特征不断趋近不变特征，那么噪声标签会逐渐减少，故这里选择可信样本的比例（50%-100%）逐渐增加，选择的可信目标域样本也会越来越多。
本发明通过引入噪声学习方法，提高了目标域干净伪标签样本筛选准确率，增加了目标域的可信度；同时通过不停的迭代翻转源域和目标域，可学到最优的域不变表示，从而提升源域的识别率，进而有效的降低机器人巡航的误诊率，提高开放场景的识别效率；且具有较强的可移植性、灵活性以及可复制型，在几乎不增加成本的情况下，可以用于大规模的机器巡航开放场景下的目标识别。
如图3所示，本发明实施例还提供一种基于领域翻转的机器人巡航目标识别系统，其包括如下功能模块：
模型建立模块10，用于根据源域数据和目标域数据训练得到域自适应模型；
可信样本筛选模块20，用于利用域自适应模型对目标域数据进行训练，并使用噪声学习方法挑选得到目标域可信样本；
反向训练模块30，用于将目标域可信样本作为源域数据，将源域数据作为目标域数据对域自适应模型进行训练；
迭代优化模块40，用于在模型建立模块和反向训练模块之间建立迭代优化回路，通过迭代优化回路对自适应模型进行迭代优化，直至自适应模型学到最优的域不变特征。
本实施例一种基于领域翻转的机器人巡航目标识别系统的执行方式与上述基于领域翻转的机器人巡航目标识别方法基本相同，故不作详细赘述。
本实施例服务器为提供计算服务的设备，通常指具有较高计算能力，通过网络提供给多个消费者使用的计算机。该实施例的服务器包括：存储器、处理器以及系统总线，所述存储器包括存储其上的可运行的程序，本领域技术人员可以理解，本实施例的终端设备结构并不构成对终端设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
存储器可用于存储软件程序以及模块，处理器通过运行存储在存储器的软件程序以及模块，从而执行终端的各种功能应用以及数据处理。存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序（比如声音播放功能、图像播放功能等）等；存储数据区可存储根据终端的使用所创建的数据（比如音频数据、电话本等）等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
在存储器上包含一种基于领域翻转的机器人巡航目标识别方法的可运行程序，所述可运行程序可以被分割成一个或多个模块/单元，所述一个或多个模块/单元被存储在所述存储器中，并由处理器执行，以完成信息的获取及实现过程，所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序在所述服务器中的执行过程。例如，所述计算机程序可以被分割为模型建立模块10、可信样本筛选模块20、反向训练模块30、迭代优化模块40。
处理器是服务器的控制中心，利用各种接口和线路连接整个终端设备的各个部分，通过运行或执行存储在存储器内的软件程序和/或模块，以及调用存储在存储器内的数据，执行终端的各种功能和处理数据，从而对终端进行整体监控。可选的，处理器可包括一个或多个处理单元；优选的，处理器可集成应用处理器和调制解调处理器，其中，应用处理器主要处理操作系统、应用程序等，调制解调处理器主要处理无线通信。可以理解的是，上述调制解调处理器也可以不集成到处理器中。
系统总线是用来连接计算机内部各功能部件，可以传送数据信息、地址信息、控制信息，其种类可以是例如PCI总线、ISA总线、VESA总线等。处理器的指令通过总线传递至存储器，存储器反馈数据给处理器，系统总线负责处理器与存储器之间的数据、指令交互。当然系统总线还可以接入其他设备，例如网络接口、显示设备等。
所述服务器应至少包括CPU、芯片组、内存、磁盘系统等，其他构成部件在此不再赘述。
在本发明实施例中，该终端所包括的处理器执行的可运行程序具体为：一种基于领域翻转的机器人巡航目标识别方法，其包括如下步骤：
S1、根据源域数据和目标域数据训练得到域自适应模型；
S2、利用域自适应模型对目标域数据进行训练，并使用噪声学习方法挑选得到目标域可信样本；
S3、将目标域可信样本作为源域数据，将源域数据作为目标域数据对域自适应模型进行训练；
S4、迭代优化步骤S1至S3, 直至自适应模型学到最优的域不变特征。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各实施例的模块、单元和/或方法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (9)

1.一种基于领域翻转的机器人巡航目标识别方法，其特征在于，包括如下步骤：
S1、根据源域数据和目标域数据训练得到域自适应模型；
S2、利用域自适应模型对目标域数据进行训练，并使用噪声学习方法挑选得到目标域可信样本；
S3、将目标域可信样本作为源域数据，将源域数据作为目标域数据对域自适应模型进行训练；
S4、迭代优化步骤S1至S3, 直至自适应模型学到最优的域不变特征；
所述步骤S2包括如下分步骤：
S21、将域自适应模型在目标域上测试，输出目标域样本的伪标签；
S22、将目标域样本的伪标签视为真实标签，重新训练一个目标域模型；
S23、训练目标域样本的同时，收集若干轮每个目标域样本的损失；
S24、计算每个目标域样本的平均损失，并按照从小到大排序；
S25、根据小损失准则，筛选平均损失值较小的部分样本作为可靠样本。
2.根据权利要求1所述基于领域翻转的机器人巡航目标识别方法，其特征在于，所述分步骤S25包括：在目标域模型欠拟合初期，根据小损失准则，筛选平均损失值较小的部分样本作为可靠样本。
3.根据权利要求1所述基于领域翻转的机器人巡航目标识别方法，其特征在于，所述步骤S4包括如下内容：
在迭代优化过程中，采用增量学习策略控制目标域可信样本分布的大小。
4.根据权利要求1所述基于领域翻转的机器人巡航目标识别方法，其特征在于，所述域自适应模型的损失公式如下：
Figure 757778DEST_PATH_IMAGE001
式中，1表示指示函数，
Figure 674919DEST_PATH_IMAGE002
表示标签为k的样本
Figure 516973DEST_PATH_IMAGE003
的损失,
Figure 912182DEST_PATH_IMAGE004
表示域自适应模型的输出。
5.根据权利要求4所述基于领域翻转的机器人巡航目标识别方法，其特征在于，所述域自适应模型的特征提取对抗损失的公式如下：
Figure 726554DEST_PATH_IMAGE005
式中，
Figure 124517DEST_PATH_IMAGE006
表示源域分布；
Figure 391551DEST_PATH_IMAGE007
表示目标域分布；
Figure 590451DEST_PATH_IMAGE008
表示源域数据采样样本；
Figure 321646DEST_PATH_IMAGE009
表示目标域数据采样样本；
Figure 315010DEST_PATH_IMAGE010
表示源域样本的判别结果；
Figure 131656DEST_PATH_IMAGE011
表示目标域样本的判别结果。
6.根据权利要求5所述基于领域翻转的机器人巡航目标识别方法，其特征在于，所述域自适应模型的最终优化损失为：
Figure 868668DEST_PATH_IMAGE012
式中，
Figure 392054DEST_PATH_IMAGE013
为均衡参数。
7.一种基于领域翻转的机器人巡航目标识别系统，其特征在于，包括如下功能模块：
模型建立模块，用于根据源域数据和目标域数据训练得到域自适应模型；
可信样本筛选模块，用于利用域自适应模型对目标域数据进行训练，并使用噪声学习方法挑选得到目标域可信样本；所述可信样本筛选模块具体用于将域自适应模型在目标域上测试，输出目标域样本的伪标签；然后将目标域样本的伪标签视为真实标签，重新训练一个目标域模型；且训练目标域样本的同时，收集若干轮每个目标域样本的损失；计算每个目标域样本的平均损失，并按照从小到大排序；最后根据小损失准则，筛选平均损失值较小的部分样本作为可靠样本；
反向训练模块，用于将目标域可信样本作为源域数据，将源域数据作为目标域数据对域自适应模型进行训练；
迭代优化模块，用于在模型建立模块和反向训练模块之间建立迭代优化回路，通过迭代优化回路对自适应模型进行迭代优化，直至自适应模型学到最优的域不变特征。
8.一种服务器，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至6任一项所述基于领域翻转的机器人巡航目标识别方法的步骤。
9.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述基于领域翻转的机器人巡航目标识别方法的步骤。
CN202110803498.5A 2021-07-16 2021-07-16 基于领域翻转的机器人巡航目标识别方法及系统 Active CN113269278B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110803498.5A CN113269278B (zh) 2021-07-16 2021-07-16 基于领域翻转的机器人巡航目标识别方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110803498.5A CN113269278B (zh) 2021-07-16 2021-07-16 基于领域翻转的机器人巡航目标识别方法及系统

Publications (2)

Publication Number Publication Date
CN113269278A CN113269278A (zh) 2021-08-17
CN113269278B true CN113269278B (zh) 2021-11-09

Family

ID=77236617

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110803498.5A Active CN113269278B (zh) 2021-07-16 2021-07-16 基于领域翻转的机器人巡航目标识别方法及系统

Country Status (1)

Country Link
CN (1) CN113269278B (zh)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112668594A (zh) * 2021-01-26 2021-04-16 华南理工大学 一种基于对抗性域适应的无监督图像目标检测方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103381826B (zh) * 2013-07-31 2016-03-09 中国人民解放军国防科学技术大学 基于近似策略迭代的自适应巡航控制方法
CN111898095B (zh) * 2020-07-10 2024-04-19 佛山科学技术学院 深度迁移学习智能故障诊断方法、装置、存储介质和设备
CN111797844A (zh) * 2020-07-20 2020-10-20 苏州思必驰信息科技有限公司 对抗域自适应模型训练方法及对抗域自适应模型
CN111860670B (zh) * 2020-07-28 2022-05-17 平安科技（深圳）有限公司 域自适应模型训练、图像检测方法、装置、设备及介质

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112668594A (zh) * 2021-01-26 2021-04-16 华南理工大学 一种基于对抗性域适应的无监督图像目标检测方法

Also Published As

Publication number Publication date
CN113269278A (zh) 2021-08-17

Similar Documents

Publication Publication Date Title
Gong et al. Change detection in synthetic aperture radar images based on deep neural networks
Lv et al. Generative adversarial networks for parallel transportation systems
CN113435546B (zh) 基于区分置信度水平的可迁移图像识别方法及系统
CN110084610B (zh) 一种基于孪生神经网络的网络交易欺诈检测系统
CN111967343A (zh) 基于简单神经网络和极端梯度提升模型融合的检测方法
CN109766992B (zh) 基于深度学习的工控异常检测及攻击分类方法
CN111161315B (zh) 一种基于图神经网络的多目标跟踪方法和系统
CN109413023B (zh) 机器识别模型的训练及机器识别方法、装置、电子设备
CN106952293B (zh) 一种基于非参数在线聚类的目标跟踪方法
CN112434599B (zh) 一种基于噪声通道的随机遮挡恢复的行人重识别方法
CN109344856B (zh) 一种基于多层判别式特征学习的脱机签名鉴别方法
CN104749334A (zh) 基于模式识别的生物式异常水质评价系统设计方法
CN110728694A (zh) 一种基于持续学习的长时视觉目标跟踪方法
CN116579616A (zh) 一种基于深度学习的风险识别方法
CN118230175B (zh) 基于人工智能的不动产测绘数据处理方法及系统
CN110677437A (zh) 基于潜在空间对抗式聚类的用户伪装攻击检测方法及系统
Chen et al. Sample balancing for deep learning-based visual recognition
CN117313795A (zh) 一种基于改进dbo-lstm的智慧楼宇能耗预测方法
CN112084936B (zh) 一种人脸图像预处理方法、装置、设备及存储介质
CN114048843A (zh) 一种基于选择性特征迁移的小样本学习网络
Wang et al. Abnormal traffic detection-based on memory augmented generative adversarial IIoT-assisted network
CN113269278B (zh) 基于领域翻转的机器人巡航目标识别方法及系统
CN111898400A (zh) 一种基于多模态特征融合的指纹活性检测方法
Ahmed et al. Detection and classification of leaf disease using deep learning for a greenhouses’ robot
CN114863485A (zh) 基于深度相互学习的跨域行人重识别方法及系统

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
CB03 Change of inventor or designer information
CB03 Change of inventor or designer information

Inventor after: Xie Chihao

Inventor after: Yang Guangyuan

Inventor after: Han Zhongyi

Inventor after: Ding Dongrui

Inventor after: Kong Yan

Inventor after: Zhang Meiyu

Inventor before: Yang Guangyuan

Inventor before: Han Zhongyi

Inventor before: Ding Dongrui

Inventor before: Kong Yan

Inventor before: Zhang Meiyu