Page 160 - 《软件学报》2021年第11期
P. 160

3486                                Journal of Software  软件学报 Vol.32, No.11, November 2021

                                              I
                    给定标注的源域图像数据 S={I,Y }以及未标注的目标域视频数据 T={V}.其中,I 和 V 分别表示图像数据和
                          I
                 视频数据,Y 表示图像数据的类别标签.由于域差异和模态差异,源域图像数据和目标域视频数据具有不同的数
                 据分布,这导致从源域数据中学习到的知识很难直接应用于目标域数据.本文的目标是通过降低图像和视频之
                 间跨域、跨模态的数据分布差异,进而在无监督条件下学习得到目标域视频数据的分类器.
                 2.2   无监督辨识适应网络

                    本文提出了无监督辨识适应网络 UDAN,以实现无监督细粒度视频分类.图 2 展示了本文 UDAN 方法的框
                 架,采用当前先进的 CNN 网络 ResNet50      [20] 作为基础网络模型,并且这个基础网络模型可以替换为其他 CNN 网
                 络.其中,提出的联合辨识最大均值差异(JDMMD)能够将辨识定位能力从图像数据迁移到视频数据,伪标签损
                 失函数能够引导 UDAN 模型来拟合目标域视频的数据分布.






































                                    Fig.2   Unsupervised discriminative adaptation network (UDAN)
                                              图 2   无监督辨识适应网络(UDAN)

                    进一步,为了实现无监督辨识适应,本文对 ResNet50 网络模型的损失函数进行了重新设计,其定义如下:
                                             Loss =  Loss +  S  Loss  +  Loss T                       (1)
                                                      cls   JDMMD     pseudo
                 2.2.1    源域图像数据上的分类损失
                                        S
                    在公式(1)中,第 1 项 Loss 表示 UDAN 网络模型在标注的源域图像数据上的分类损失,它的目的是从源域
                                        cls
                 数据中学习辨识性特征,其定义如下:
                                                        1  N  S
                                                                 S
                                                                  ,
                                                 Loss S cls  =  ∑ ce (( f x y S k  ))                 (2)
                                                                 k
                                                       N S  k = 1
                    本文采用交叉熵损失函数 ce(⋅)(cross-entropy loss  function)来优化 UDAN 在源域图像数据上的学习.公式
   155   156   157   158   159   160   161   162   163   164   165