基于潜在域信息的多源领域适应方法研究-文献详情-维普官网

文献检索

任意字段

文献信息

任意字段
主题词
篇关摘
篇名
关键词
摘要
作者
第一作者
作者单位
刊名
中图分类号
学科分类号
DOI
基金

智能检索

高级检索

检索历史

基于潜在域信息的多源领域适应方法研究认领

作者：

董奇明

学位授予单位：

中国矿业大学

摘要：

近年来随着计算机性能和互联网大数据技术的大幅度提升,深度神经网络模型在人工智能领域取得了巨大进展,其中在迁移学习和领域适应的图像分类方向吸引了国内外研究者的广泛关注。虽然目前深度学习的性能相较于传统的机器学习分类模型已经得到极大的提升,但是仍然具有巨大的提升空间和广阔的应用场景值得研究和探索。(1)当前无监督领域适应的发展主要集中于单源单目标场景和多源单目标场景下的特征学习,对于现实中更加常见的无源域标签的场景却缺乏相应的研究。(2)在多源域场景下,每个源域与目标域之间仍然存在数据偏移,若从相关性较低的域强制迁移会抑制目标模型的性能,导致“负迁移”问题。本文针对以上两种问题,主要研究内容如下:为解决无域标签场景下的无监督领域自适应问题,提出一种面向混合潜在域的细粒度领域自适应深层网络架构,通过自动发现图像数据集中的潜在域细粒度信息来学习稳健的目标分类器。该网络框架主要分为两个部分,一部分通过底层特征聚类与对抗学习相结合的方法实现自动发现潜在域并将其划分为若干个伪源域;另一部分不仅通过特定域的特征提取器分别对齐每对伪源域和目标域在多个特定的特征空间中的分布,而且联合多个域特定的分类器得出最优的分类结果。其中在特定域的分类器中使用局部最大均值差异,充分利用源域样本的类别标签细粒度信息,解决了潜在域自适应问题中相关子域特征对齐的问题。为解决多源场景下多源域与目标域之间数据偏移的问题,提出一种基于卷积网络和混合潜在空间多对齐的无监督多源域自适应算法。该算法联合利用网络中的域标签、数据结构和类别标签,并改进了域不变语义特征表示。具体而言,在利用现有领域对齐和分类结果对齐的基础上,提出了一种新的数据结构对齐方法,利用不同领域的固有特性。通过这种设计,既可以考虑潜在空间的类别一致性,又可以消除不同源域与目标域之间的域和结构差异。此外,为了提高深度神经网络的可移植性,使用匹配归一化层替代传统的批处理归一化层,使深度神经网络的潜在层进行对齐,从而获得进一步的提升。最后利用基于卷积神经网络和图卷积神经网络提取特征的类别对齐优化决策边界。本文所提方法均在公共数据集上进行了试验,并将本文所提方法的结果与已有的先进研究方法进行对比以示本文方法分类性能的提升。另外,本文可视化了实验过程中的特征直观展示网络模型的可解释性。大量的实验表明,本文提出的潜在域领域适应和潜在空间多对齐领域适应两个网络框架分别对多源域适应中的无域标签和“负迁移”问题提供了一定程度的解决办法。

摘要译文

关键词：

领域适应; 潜在域; 域结构对齐; 卷积神经网络; 图卷积网络

学位年度：

2023

学位类型：

硕士

学科专业：

电子信息（专业学位）

导师：

潘杰

中图分类号：

TP391.41[图形图像识别];TP18[人工智能理论]

学科分类号：

140502[人工智能];081103[系统工程];081104[模式识别与智能系统];081107[建模仿真理论与技术]

D O I：

10.27623/d.cnki.gzkyu.2023.002160