跨域图像识别技术旨在利用已标注源域完成未标注目标域上的图像标注任务,且这2个域服从不同数据分布。现有方法一般通过提取域不变表征缩小域间分布差异,从而提升源域训练模型在目标域上的图像标注能力。然而,部分源域样本与目标域样本...跨域图像识别技术旨在利用已标注源域完成未标注目标域上的图像标注任务,且这2个域服从不同数据分布。现有方法一般通过提取域不变表征缩小域间分布差异,从而提升源域训练模型在目标域上的图像标注能力。然而,部分源域样本与目标域样本的分布偏差较大,强行提取所有源域样本的域不变表征容易导致模型负适配问题。为此,提出一种基于类条件最优传输的跨域样本选择(CDSS)策略。对于2个域中对应相同类的样本,该策略在源域中选择最能代表目标域的样本子集,并将该过程建模为在源域上学习一个稀疏概率分布的优化问题,使该分布与目标域分布之间的最优传输距离最小。在3个跨域图像识别数据集上的实验结果表明,应用所提策略后,方法的平均识别精度较3种主流基准方法(批谱正则化项(BSP)、批量核范数最大化(BNM)和MDD(Maximum Density Divergence))均取得了显著提升,验证了所提策略在改善模型负适配问题上的有效性。展开更多
文摘人体行为识别(Human Activity Recognition,HAR)是当前众多研究工作的基石,对于推动人机交互和智能数字化转型具有巨大潜力。由于目标域样本较难采集,现有方法在跨域识别方面表现不佳。为解决这一问题,提出一种新的WiFi使能跨域HAR方法,从WiFi信号中获取信道状态信息(Channel State Information,CSI)并转化为图像,在基于Wasserstein距离和梯度的生成对抗网络(Wasserstein Generative Adversarial Network with Gradient Penalty,WGAN-GP)中引入双判别器,通过与源域样本和单目标域样本特征联合对抗,生成同时带有双域特征的虚拟样本。该方法还结合基于Mean Teacher的半监督学习设计识别分类(Recognition and Classification,RC)模块,通过对有标记样本与无标记样本分别构造损失函数,进行整体一致性损失的评估,实现对目标域样本的识别。实验结果证明了所提方法能够在减轻目标域样本采集压力的同时,实现较高的检测精度,在手势与动作的数据集上测试准确率分别达到92.71%和86.65%。
文摘跨域图像识别技术旨在利用已标注源域完成未标注目标域上的图像标注任务,且这2个域服从不同数据分布。现有方法一般通过提取域不变表征缩小域间分布差异,从而提升源域训练模型在目标域上的图像标注能力。然而,部分源域样本与目标域样本的分布偏差较大,强行提取所有源域样本的域不变表征容易导致模型负适配问题。为此,提出一种基于类条件最优传输的跨域样本选择(CDSS)策略。对于2个域中对应相同类的样本,该策略在源域中选择最能代表目标域的样本子集,并将该过程建模为在源域上学习一个稀疏概率分布的优化问题,使该分布与目标域分布之间的最优传输距离最小。在3个跨域图像识别数据集上的实验结果表明,应用所提策略后,方法的平均识别精度较3种主流基准方法(批谱正则化项(BSP)、批量核范数最大化(BNM)和MDD(Maximum Density Divergence))均取得了显著提升,验证了所提策略在改善模型负适配问题上的有效性。
