一种基于深度网络和对抗技术的领域适配方法

摘要

本发明一种基于深度网络和对抗技术的领域适配方法，涉及到深度学习，迁移学习，领域适配，卷积神经网络，对抗网络等技术。我们在微调Alexnet的基础上，增加两个对抗子网，用于对抗式的修正不同领域样本间的差异，在high‑level层学习到可共享特征。此方法可以有效降低大数据环境中人工标记的代价，有着一定的实际意义。该算法在新的目标风险误差上界基础上提出创新，算法主要包括初始化阶段和网络训练阶段。在初始化阶段，根据新的误差上界和构建新的神经元层，同时增加相应的损失和正则化项，并对网络和数据集进行初始化工作。训练阶段，通过概率阈值取代原有超参数，根据概率迭代的SGD算法运行若干个迭代周期，直至满足条件，训练结束。最终训练好的网络可以有效的替代人工标记过程，获得更多，更准确的有标记样本。