公开(公告)号：CN113011568B

公开(公告)日：2024-06-21

申请号：CN202110352634.3

申请日：2021-03-31

Applicant: 华为技术有限公司

Inventor： 何建忠 ,  李蕊煌 ,  贾旭 ,  刘健庄

IPC: G06V10/82 ,  G06N3/0464 ,  G06N3/042 ,  G06V10/74 ,  G06V10/764 ,  G06N3/08 ,  G06F17/16

Abstract: 本申请实施例公开了一种模型的训练方法、数据处理方法及设备，可应用于人工智能领域中，具体可应用于计算机视觉领域，方法包括：首先为每个域(包括目标域和多个源域)的每个类别建立原型(即类别中心)，再在每个域内基于计算出的原型建立一个关系矩阵(即相似度矩阵)，之后根据每个域各自对应的相似度矩阵构建得到一个目标张量，通过相似度矩阵构建域之间的高阶关联，并将该高阶关联融合进目标损失函数，使得模型学习提取域无关的特征。该方法借助张量的低秩约束挖掘多个源域和目标域之间的高阶关联，增强了不同域上提取的特征的一致性，使得模型即使在没有见过的目标域上也有不错的性能提升，并且不会额外增加推理阶段的运行时间及计算开销。

公开(公告)号：CN113011568A

公开(公告)日：2021-06-22

申请号：CN202110352634.3

申请日：2021-03-31

Applicant: 华为技术有限公司

Inventor： 何建忠 ,  李蕊煌 ,  贾旭 ,  刘健庄

IPC: G06N3/04 ,  G06N3/08 ,  G06F17/16

Abstract: 本申请实施例公开了一种模型的训练方法、数据处理方法及设备，可应用于人工智能领域中，具体可应用于计算机视觉领域，方法包括：首先为每个域(包括目标域和多个源域)的每个类别建立原型(即类别中心)，再在每个域内基于计算出的原型建立一个关系矩阵(即相似度矩阵)，之后根据每个域各自对应的相似度矩阵构建得到一个目标张量，通过相似度矩阵构建域之间的高阶关联，并将该高阶关联融合进目标损失函数，使得模型学习提取域无关的特征。该方法借助张量的低秩约束挖掘多个源域和目标域之间的高阶关联，增强了不同域上提取的特征的一致性，使得模型即使在没有见过的目标域上也有不错的性能提升，并且不会额外增加推理阶段的运行时间及计算开销。