多源域混淆的双流深度迁移学习

摘要：

目的 针对深度学习严重依赖大样本的问题,提出多源域混淆的双流深度迁移学习方法,提升了传统深度迁移学习中迁移特征的适用性.方法 采用多源域的迁移策略,增大源域对目标域迁移特征的覆盖率.提出两阶段适配学习的方法,获得域不变的深层特征表示和域间分类器相似的识别结果,将自然光图像2维特征和深度图像3维特征进行融合,提高小样本数据特征维度的同时抑制了复杂背景对目标识别的干扰.此外,为改善小样本机器学习中分类器的识别性能,在传统的softmax损失中引入中心损失,增强分类损失函数的惩罚监督能力.结果 在公开的少量手势样本数据集上进行对比实验,结果表明,相对于传统的识别模型和迁移模型,基于本文模型进行识别准确率更高,在以DenseNet-169为预训练网络的模型中,识别率达到了97.17％.结论 利用多源域数据集、两阶段适配学习、双流卷积融合以及复合损失函数,构建了多源域混淆的双流深度迁移学习模型.所提模型可增大源域和目标域的数据分布匹配率、丰富目标样本特征维度、提升损失函数的监督性能,改进任意小样本场景迁移特征的适用性.

关键词：小样本、迁移学习、多源域、双流卷积融合、域混淆

所属期刊栏目：24

分类号：TP301.6(计算技术、计算机技术)

资助基金：国家自然科学基金项目61472037,61433003

在线出版日期：2020-03-18（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：2243-2254