多源域混淆的双流深度迁移学习

目的 针对深度学习严重依赖大样本的问题，提出多源域混淆的双流深度迁移学习方法，提升了传统深度迁移学习中迁移特征的适用性。方法 采用多源域的迁移策略，增大源域对目标域迁移特征的覆盖率。提出两阶段适配学习的方法，获得域不变的深层特征表示和域间分类器相似的识别结果，将自然光图像2维特征和深度图像3维特征进行融合，提高小样本数据特征维度的同时抑制了复杂背景对目标识别的干扰。此外，为改善小样本机器学习中分类器的识别性能，在传统的softmax损失中引入中心损失，增强分类损失函数的惩罚监督能力。结果 在公开的少量手势样本数据集上进行对比实验，结果表明，相对于传统的识别模型和迁移模型，基于本文模型进行识别准确率更高，在以DenseNet-169为预训练网络的模型中，识别率达到了97.17%。结论 利用多源域数据集、两阶段适配学习、双流卷积融合以及复合损失函数，构建了多源域混淆的双流深度迁移学习模型。所提模型可增大源域和目标域的数据分布匹配率、丰富目标样本特征维度、提升损失函数的监督性能，改进任意小样本场景迁移特征的适用性。

Two-stream deep transfer learning with multi-source domain confusion