申请/专利权人：西安交通大学

申请日：2021-11-05

公开（公告）日：2024-05-07

公开（公告）号：CN113989595B

主分类号：G06V10/774

分类号：G06V10/774;G06V10/764

优先权：

专利状态码：有效-授权

法律状态：2024.05.07#授权;2022.02.18#实质审查的生效;2022.01.28#公开

摘要：本发明公开了一种基于阴影模型的联邦多源域适应方法及系统，设计基于阴影模型的联邦多源域适应网络模型，对不同的源域模型进行去中心化预训练，获取K个去中心化训练好的源域模型；通过获取目标域样本对应的可能性输出，计算不同源域模型输出结果的类间方差，通过归一化处理获取不同源域模型对目标域的贡献占比；通过加权计算获取每一个目标域样本的伪标签，并对目标样本赋予伪标签；通过结合协同教学和混淆匹配的方式，对伪标签目标样本进行标签噪声学习，依次迭代直到网络TA和TB收敛，在源域数据、网络参数以及学习梯度均不可知的情况下实现无监督域适应。本发明方法有效促进在保障用户隐私安全前提下的网络训练，具有重大的社会意义。

主权项：1.一种基于阴影模型的联邦多源域适应方法，其特征在于，包括以下步骤：S1、设计基于阴影模型的联邦多源域适应网络模型；S2、通过最小化标准的交叉熵损失，对步骤S1设计的不同的源域模型进行去中心化预训练，获取K个去中心化训练好的源域模型，交叉熵损失如下： 其中，表示soft-max输出层对应的C维向量的第c个元素的值，q表示的yk的one-hot编码，qc为样本xk的标签yk对应的one-hot编码的第c个元素的值，Skxk为源域样本xk输入到第k个源域图像训练的第k个源域网络Sk时对应的输出结果，C为输入图像样本的类别总个数；S3、对步骤S2获取的K个阴影源域模型，通过获取目标域样本对应的可能性输出，计算不同源域模型输出结果的类间方差，通过归一化处理获取不同源域模型对目标域的贡献占比，具体为：S301、根据步骤S2获取的K个训练好的阴影源域模型，通过输入目标域图像样本XT获取样本属于不同类别的概率输出；S302、使用同类别软概率的类方差作为评价指标来评价不同模型对目标域样本的分类能力，计算得到第k个阴影源模型中软概率的类间方差的均值；S4、对步骤S3获取的不同源域模型对目标域的贡献占比，通过加权计算获取每一个目标域样本的伪标签，并对目标样本赋予伪标签；S5、通过结合协同教学和混淆匹配的方式，对步骤S4得到的伪标签目标样本进行标签噪声学习，依次迭代直到网络TA和TB收敛，在源域数据、网络参数以及学习梯度均不可知的情况下实现无监督域适应，具体为：S501、根据步骤S4得到所有目标数据的伪标签Ypse，同时训练网络TA和网络TB，当一个小批量数据D形成时，首先让网络TA选择一部分实例让网络TB选择一部分实例实例数由提取的目标样本占比RT控制，网络TA和TB从损失实例中选取RT百分比的小损失实例，然后将所选实例作为有标签样本训练其对等网络；S502、将所有的目标域样本分为有伪标签的目标域样本和无标签的目标域样本，混合标记和未标记数据，得到总损失实现对目标域样本的无监督域适应。

全文数据：

权利要求：

百度查询： 西安交通大学 一种基于阴影模型的联邦多源域适应方法及系统

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD