CN114663725B 多领域自适应模型的训练方法、系统、设备及存储介质 （合肥工业大学）_第1页
CN114663725B 多领域自适应模型的训练方法、系统、设备及存储介质 （合肥工业大学）_第2页
CN114663725B 多领域自适应模型的训练方法、系统、设备及存储介质 （合肥工业大学）_第3页
CN114663725B 多领域自适应模型的训练方法、系统、设备及存储介质 （合肥工业大学）_第4页
CN114663725B 多领域自适应模型的训练方法、系统、设备及存储介质 （合肥工业大学）_第5页
已阅读5页，还剩20页未读， 继续免费阅读

下载本文档

版权说明：本文档由用户提供并上传，收益归属内容提供方，若内容存在侵权，请进行举报或认领

文档简介

本发明提供一种多领域自适应模型的训练将一组目标域数据输入目标域分类网络进行训增量卷积层的权重加载至源域分类网络和目标2获得源域数据和目标域数据，并根据域不同将所述将所述源域数据输入所述源域分类网络，将一组目标域数据将所述增量卷积层的权重加载至所述源域分类网络和所所述将源域数据输入至模型的源域分类网络，将一组目标域数据输入至将标签相同的源域特征和目标域特征作为正样本对，将标签不同的源对比学习所述正样本对和所述负样本对，并基于对比学习的结果更网络的交叉熵损失，LCDC为源域分类网络和目标域分类网络的跨域对比损耗，LD为蒸馏损s数据获得单元，用于获得源域数据和目标域数据，并根据域不同将所述目标域增量卷积权重获得单元，用于将源域数据输入所述源域分类网3权重加载单元，用于将所述增量卷积层的权重加载至所述源域分类网络和所模型获取单元，用于选择另一组目标域数据，进行迭代训练，直至所述将源域数据输入至模型的源域分类网络，将一组目标域数据输入至将标签相同的源域特征和目标域特征作为正样本对，将标签不同的源对比学习所述正样本对和所述负样本对，并基于对比学习的结果更4[0001]本发明涉及跨领域模型技术领域，具体涉及一种多领域自适应模型的训练方法、任务的有监督样本需要标注对象类别，当对象种类繁多时会耗费巨大人力甚至不可实现，[0007]为实现上述目的及其它相关目的，本发明提供一种多领域自适应模型的训练方5所述源域分类网络和所述目标域分类网络的权6与目标域类别一致的数据作为正样本对，将源域与目标域类别不同的数据作为负样本对。其加载到当前待训练的模型中。通过计算增量卷积网络和源域分类网络之间的蒸馏损失，保证了在高级语义特征层上实现的特征对齐。通过这种增量学习的方式和多级特征对齐，7[0042]请参阅图1至图4，图1显示为本发明一实施例中多领域自适应模型的训练方法的明一实施例中多领域自适应模型的训练方法的框架流程图，图4显示为本发明一实施例中权重共享，因此源域分类网络和目标域分类网络此时的权重为上一次增量卷积层的权重。的目标域数据作为训练数据。其中，源域数据中含有大量的已标记标签的数据，即8[0055]由于来自源域和目标域的样本在当前环境设置中属于同s表示来自源域的一组mini_batch。9的高级语义层响应之间的距离去更新训练多领域自适应模型，从而使得模型具有普适性。标域数据输入所述目标域分类网络进行训练，根据训练结果更新所述增量卷积层的权重，所提出的技术问题关系不太密切的模块引入，但这并不表明本实施例中不存在其它的模时实现上述任务管理方法。处理器可以是通用处理器，包括中央处理器(Central个或多个独立的电路或硬件，如：专用集成电路(ApplicationSpecificIntegrated[0074]本实施例还提出一种计算机可读的存储介质，所述存储

人人文库> 全部分类> 行业资料 > 信息产业

温馨提示

  • 1. 本站所有资源如无特殊说明，都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等，如果需要附件，请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸，网页内容里面会有图纸预览，若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间，仅对用户上传内容的表现方式做保护处理，对用户上传分享的文档内容本身不做任何修改或编辑，并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容，请与我们联系，我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

最新文档

评论

0/150

提交评论