具有类间差异约束的多对抗深度域适应模型

摘要：

为实现目标域样本能够与源域中同类样本准确对齐,并在保证样本准确识别率的条件下进一步提高不同类别样本特征间的可区分性,提出了一种带有类间差异约束的域适应模型.首先,该模型采用深度卷积神经网络对源域样本进行了有监督学习,并在训练过程中基于提出的类间差异测量函数对源域样本特征加以类间差异性约束;其次,该模型采用了多对抗域鉴别网络结构,其中提出了一种目标域样本伪标签计算方法,从而将无标签的样本指定到合理的域鉴别网络进行训练;最后,通过最小化分类损失与最大化域鉴别损失,获得最优特征提取器与特征分类器.实验结果表明,对于4种数据集,提出的模型在目标域上平均识别准确率可以达到0.860,同类间的平均距离、不同类间的平均距离、目标域中样本错误识别率相对于改进前分别降低0.003,提升0.065,降低0.025,从而验证了提出模型的性能得到了明显提升.

关键词：迁移学习、深度域适应、类间差异、多对抗网络

所属期刊栏目：17

分类号：TP391.4(计算技术、计算机技术)

资助基金：国家自然科学基金;辽宁省社会科学规划基金项目;辽宁省应用基础研究计划

在线出版日期：2023-05-11（万方平台首次上网日期，不代表论文的发表时间）

页数：共12页

页码：1168-1179