专利交易市场

本发明公开了一种基于领域自适应神经网络的自动驾驶转向角度预测方法。本发明包括以下步骤：1、获取真实场景数据集和虚拟场景数据集，数据预处理。2、使用两个参数独立但结构相同的卷积神经网络提取语义特征。3、将特征向量输入转向角度预测网络和领域分类网络并建模一组对抗性的损失函数。4、模型训练，优化损失函数。5、保留语义特征提取网络和转向角度预测网络，对模型进行测试或应用。本发明提出用一种端到端的对抗性神经网络架构实现角度预测模型从虚拟环境数据集到真实环境数据集的领域自适应，并针对此神经网络架构设计了合适的损失函数和训练方法，提高了模型在多种真实驾驶场景下的准确性和泛化性。

本发明公开了基于多视图的低秩领域自适应方法，包括：获取源域样本图像和目标域样本图像，进行至少两种不同的增强掩码操作，将被掩码的源域样本图像和目标域样本图像以及源域标签传入学生网络进行训练，计算训练产生的损失更新网络权重，得到至少两个网络；对源域样本图像和目标域样本图像进行多视图特征提取，得到组合特征，通过构造相似图和矩阵捕捉组合特征的全局和局部结构；整合相似图和矩阵得到高阶图，转换为目标函数的联合优化，对项进行优化得到最优表示，对高阶图中切片的绝对值求和，得到亲和矩阵；利用局部保留投影得到投影矩阵，投影到潜在空间，得到投影特征并计算目标函数，对目标样本进行类别预测，相较于单视图方法更具优越性。

本发明公开一种基于原型网络的深度领域自适应图像分类方法，包括：预训练好的特征提取器分别对扩充的DS和DT提取特征得到F(DS)和F(DT)；将F(DS)、F(DT)依次输入第一非线性投影器、第一分类器得到分类损失函数Ld2，分别输入至嵌入模块得F′(DS)和F′(DT)和域混淆的损失函数Ld1；定义原型网络，将F′(DS)和F′(DT)输入原型网络中到原型损失函数LP1、LP2，通过Ld1、Ld2、LP1、LP2获得总损失函数用于反向训练；采用训练好的原型网络进行分类。本发明解决了现有技术中存在的源域和无标签目标域类别不一致且给定样本数量较少情况下导致训练后分类器预测分类正确率低下的问题。