基于几何感知双流网络的无监督域自适应模型.pdf

第 卷第 期计算机应用与软件 年 月 基于几何感知双流网络的无监督域自适应模型韩彦净马米米张淑莉（郑州工商学院工学院河南 郑州 ）（河南工业大学河南 郑州 ）收稿日期：。河南省优秀青年科学基金项目（）。韩彦净，讲师，主研领域：无线通信技术。马米米，讲师。张淑莉，讲师。摘要为了克服几何信息不具有代表性和可区分性等缺点，提出一种基于几何感知双流网络的无监督域自适应模型。提出一种几何感知双流网络，从而实现跨域对齐和几何目标表示，在该网络中代表性信号通过对抗性适应网络获得；参考自适应几何统一标准的差异损失用于无监督几何对齐，目标域几何体受到约束。在无监督几何对齐中，通过几何一致性损失忽略目标数据的任意映射。实验结果表明该方法能够在跨域识别应用中取得较好的效果。关键词无监督域自适应几何感知双流网络几何对齐中图分类号 文献标志码 ：（，）（，），引言随着深度学习研究和应用，大数据领域中的数据挖掘算法也得到了飞速发展，其中训练数据集和测试数据集之间的认知偏差是数据挖掘的一个关键问题 。因此，如何实现源域与目标域之间的域自适应成为了研究的热点之一。近年来，学者们研究提出了许多无监督领域自适应方法。它们可以归纳为三类：实例选择、模型精化和表示自适应 。实例选择是解决目标域中缺少标签问题的一种传统方法，文献 以高置信度选择目标实例指导无监督域自适应，迭代降低目标域标签预测的不确定性。文献 针对由于类不平衡导致模型泛化性能差的问题，提出了一种基于平衡概率分布和实例的迁移学习算法。实例选择方法虽然准确率较好，但其计算代价高，应用条件较为苛刻。模型精化是通过假设目标模型是源模型的移位，从而在无监督域自适 计算机应用与软件 年应中使用一些标记的数据精化源模型来获得目标模型。文献 通过对目标数据的软标签分配，源域深度学习网络的迭代细化，从而实现了无监督域自适应。虽然上述方法取得了一定效果，但模型精化方法的灵活性较差，因为在域更新期间，模型体系结构在源域和目标域中都是固定的。另外，这些方法假设源域和目标域共享相似的底层流形，但上述假设在实践中难以保证。表示自适应通过对齐跨域的数据分布来学习域不变特征，这样由对齐的源特征训练的模型可以应用于对齐的特征空间中的目标域。文献 将跨域分布对齐建模为流形中子空间的移动，子空间也被建模为主成分分析的特征向量或字典学习模型，源域和目标域分布通过在源和目标域之间插入子空间来对齐。文献 通过使用对抗性学习技术实现分布对齐，提出了对抗性适应网络来学习域之间的不可区分特征。文献 没有在每个域中保留几何结构，而是应用最大平均偏差（，）标准来匹配源域和目标域中的几何结构。然而当各域之间的几何图形不一致时源数据和目标数据依赖于不同的流形，源域和目标域几何体是不变的，这样就会导致源数据和目标数据无法对齐。即几何体保留会导致较差的自适应性能。另外，反映数据关系的几何信息不够具有代表性和可区分性，尤其是在没有标签的目标域中，因此，这种跨域几何体的直接对齐仅限于域自适应。为了解决上述问题，提出一种基于几何感知双流网络的无监督域自适应模型。提出的几何感知双流网络用于学习相似表示和统一几何结构分布的源域目标域特征。在该网络中，统一准则被设计为源域和目标域几何的差异损失。最后实验结果验证了本文模型的有效性。本文方法 问题描述将源样本和目标样本分别表示为 和 。表示每个源 目标样本的维度，和 分别表示源和目标样本的总数。待学习的源特征和目标特征分别表示为 和 。通常，特征维数 远低于原始源 目标样本的维数，即 。在无监督域自适应中，源标签 是已知的，而目标标签 是未知的。本文用 表示源样本之间的几何结构，用 表示目标样本中的几何体。同样，特征空间中的源几何体和目标几何体分别表示为 和。除了数据表示之外，数据分布的几何结构在源域和目标域中是不同的。因此，本文将特征表示（）和几何（）跨域进行域适配。总体目标函数表示为：（）式中：和 分别是特征对齐和几何对齐的损失函数；表示模型中要学习的一组参数；表示平衡参数。在式（）中，在许多无监督域自适应方法中研究了用于特征对齐的损失函数。因此，本文着重于几何对齐建模，并使用先进的对抗式学习技术来实现特征对齐。几何理论 特征空间中的几何建模在每个域中 ，通过计算邻接矩阵 以表示反映源 目标特征邻域关系的几何体，每个元素 （，）是特征 和 之间的几何距离，本文假设特征空间中有一个平面流形，对于归一化，采用余弦相似性计算几何距离，即 （，）（）()。然而，包含全局几何信息，因此它对噪声和异常值非常敏感。由于给出了源标签，通过根据源标签 选择 中的代表性几何图形，可以在源域中克服此限制，以这种方式，可以增强源域几何体的可靠性。受局部嵌入的启发，建立了一个用于几何选择的判别稀疏图。在 中，每个源要素都链接到同一类中 最近值和不同类中 最远值。通过引入布尔矩阵 来记录 中的边缘。的每个元素定义为：（）（）其他（）式中：（）表示包含 的 最近的类内邻域；（）表示包含 的 最远类间邻域。利用判别稀疏图的布尔矩阵，几何矩阵 更新为：（）（）（）式中：（）是一种列规范化操作，用于规范化每个源特征。数据几何的流形学习与特征空间类似，源数据和目标数据的几何图形记录在邻接矩阵中 和 。然而，原始数据的维数 通常较大。在计算几何距离 （，）时，受到尺寸的限制，其中 ，。此外，源 目标样本之间没有平坦流形的假设，因此欧氏距离无法反映数据的几何结构。为了探索源 目标样本之间的内在几何结构，在每个域 中学习流形。然后第 期韩彦净，等：基于几何感知双流网络的无监督域自适应模型 将源 目标样本 嵌入到歧管 中，用于计算几何距离。数学上意义上的表达式为：（槡）（槡）（）式中：是流形核的对角矩阵；（）表示列规范化。用于无监督几何对齐的自适应几何学习在获得源域和目标域中的几何体后，本文目标是对齐 和 以进行域自适应。但是目标标签不可用，因此源几何体和目标几何体之间的对应关系是未知的。假设几何体在域之间是一致的，即 ，跨域对齐几何体的一种方法是几何体匹配，它学习对应关系，同时保留每个域中的几何体信息。优化过程表达式为：（，）（，）（）式中：是一个 矩阵，表示 和 之间的对应关系；和 分别是源域和目标域中的几何不变项。然而，这种一致几何形状的假设在实践中是无效的，因此，式（）无法在实际场景中实现几何对齐。为了处理跨域几何不一致的问题，对每对源和目标数据之间的对应概率进行估计，并将目标几何与源域对齐。在数学上，通过以下方法优化目标特征的几何结构：，（）式中：是对应概率矩阵；，记录了 对应 的概率；，是将 ，与 ，对齐的概率。估计对应概率矩阵 是求解式（）的主要难题，因为每对源数据和目标数据之间的对应关系很难评估，特别是在没有目标标签的无监督域自适应中。为了克服该问题，本文提出学习几何 ，其中 （，），可以表示源域或目标域。由于待识别的图像类别在源域和目标域中是相同的，域自适应几何体应具有区分域共享类别标签的特性。因此，如果 ，则应最小化 ，。相反，当 时，需要最大化 ，。这些标准在源域和目标域之间共享，以便源和目标几何图形与统一标准对齐。学习自适应几何的目标函数是：，（，）（）式中：记录了属于每个类别的样本的概率；、和 为类别索引；为类别总数。在式（）中，指的是式（）中的对应概率矩阵更容易估计的标签概率，但式（）可能不收敛，因为它最小化了负平方项。为了避免不收敛，将式（）改写为：，（，）（）式中：如果，则 接近常数 。的值大于 中的大多数元素。具体而言，本文令 ，其中和 分别是 的平均值和标准偏差。在源域中，可以直接通过 获得，即，：，是在第 个元素中具有非零值的单位向量。因此，有：，（）将源特征 聚类为 组，同一组中的源要素具有相同的标签，并且分布紧密。相反，来自不同组的源要素具有不同的标签，并且来自不同组的源要素之间的几何距离统一为 。与源域不同，标签在目标域中不可用，因此无法直接获取 。在本文中，通过限制目标特征位于一组源特征的邻域来近似学习目标域中的自适应几何。换言之，每个目标特征对于一个类别具有高概率。结合式（）的约束，每个目标特征分布在靠近某个类别 的源样本的位置，而远离其他类别的样本的位置，固定距离为 。这意味着 中的值最小化或优化为 。对于每个目标特征，最小化两个不同类别的高概率，即，其中。求所有样品和类别的和，通过最小化 （）学习目标域自适应几何。但如果没有目标标签的约束，每个目标样本的特征将任意接近随机类的源特征。为了避免任意对齐并使自适应几何学习更加可靠，本文为目标域几何集成了一致性损失。然后，目标域几何体的优化更新为：（）（，）（）式中：（，）是几何保持项，它约束目标特征和目标数据之间的几何一致性。结合式（）式（），研究了几何对齐的自适应几何学习优化问题：，（）（，）（）几何感知双流网络为了实现式（）中的总体目标函数，本文搭建了一个几何感知的双流网络，优化了 和。几何感知双流网络由源 、目标 、域鉴别器和分类器组成。在训练阶段，给定带标签的源图像和未标记的目标图像，对网络进行特征和几何对齐的损失训练。在 计算机应用与软件 年源域中，采用分类损失来进行特征识别。为了获得对齐特征，引入了对抗性学习算法，并使用域损失来区分目标特征和源样本特征。对于无监督几何对齐，设计了具有统一几何标准的几何一致性损失和差异损失，以满足式（）中自适应几何学习的目标。训练后，利用训练后的源 提取源图像的特征。在测试阶段，使用训练的目标 将目标图像映射到对齐的特征空间。然后，通过训练的分类器对目标特征进行分类以预测类别标签，或者与源特征匹配以进行重新识别。整体结构如图 所示。图 整体结构 源域中的分类丢失本文将源 和目标 的映射分别表示为 和，即 （），（）。分类器表示为 ，源域分类损失表示为：（，）（，）（）（）式中：表示源标签；表示类的索引；（）是概率矩阵；是第 个元素中非零值的单位向量。非鉴别域损失基于非鉴别域的思想，本文引入了域鉴别器 来对齐源和目标特征。如果 不能正确预测源和目标特征 ，的域标签，则将源特征 和目标特征视为对齐。域不区分损失表示为交叉熵损失函数：（，）（）（）（）式中：源样本和目标样本的域标签分别为 和 。另外，将域鉴别器 设计为对抗网络，以确保其在分配期间的鉴别。域鉴别器 的损失函数为：（，）（）（）（）同时更新源 、目标 和域鉴别器的参数，忽略式（）的情况下学习判别鉴别器。受式（）的约束，即使是判别式鉴别器也无法正确预测源和目标特征的域标签。换言之，源特征 和目标特征 是对齐的。无监督几何对齐损失式（）优化以学习用于无监督几何对齐的自适应几何，优化分为两个损失：）达到域自适应几何统一标准的差异损失；）保留目标域几何信息的几何一致性损失。在源域中，本文将差异损失设为式（）中的。为了计算目标域中的差异损失，引入式（）中的分类器 来估计概率矩阵 ，即 （）。目标域差异损失公式如下：（，）（）（）（）（）（）式中：是一个全为 的列向量；因此 表示矩阵 中所有元素的总和。几何一致性损失是式（）中的几何保留项，其计算公式为：（，），（，）（，）（）式中：（，）（）是一个具有 函数中点 的 函数；和 分别是 和 的平均值。利用式（），相似的目标样本保持在特征空间中近的位置。因此，在对齐的目标特征之间保留目标域中的几何信息。总之，几何感知双流网络需要解决以下优化问题：（，）（，）（）（）（，）（）（）（）（，）（，）（，）（），（，）（，）（）（）（）（）（）（，）（）（）（）（，）（，）（，）（）（）（）（）（）（）优化过程将源 、目标 、域鉴别器和分类器的参数分别表示为、和。为了解决上述优化问题，通过保持其他模块不变来优化、和。在每次迭代中，计算参数的梯度，并使用小批量随机梯度下降（）通过反向传播更新参数。第 期韩彦净，等：基于几何感知双流网络的无监督域自适应模型 和 的梯度式（）和式（）是可推导的，因为 和 是典型的交叉熵损失，而 是二次损失。通过简单地计算 和 的导数，得到了 和 的梯度和（），如下：（）（）（）（）（）（）（）（）（）（）（）（）（）的梯度与 和 的梯度计算类似，式（）中 的 和梯度可以通过推导计算。另一方面，式（）中的 是基于成对相似性 的公式。该公式的计算复杂度为 （），这在从大规模数据集学习的深度学习网络中是不可取的。受无偏估计的启发，本文采用了无替换的子采样策略，将 的复杂度降低到 （）。特别地，的无偏估计量表示为：（）（）式中：；和 。在深度学习模型中，标准化损失用于源特征 和，因此，可以近似为 （）（）。在小批量 中，只需要考虑相对于每个 的梯度，并且可以通过从每个 的梯度组合来计算 的梯度。本文只介绍（）的梯度计算，即：（）（）（）（）其中：（）（）（）（）()（）总之，式（）中 的梯度是、和 梯度的总和：（）（）（）（）（）（）（）的梯度类似地，采用无偏估计来降低式（）中 的复杂度，将 的无偏估计表示为：（，）（，）（）式中：（）（）；和 。对于每对 和，有：（，）（）（，）（）（）式中：（，），且：（）（）（）（）()（）式（）的梯度是、和 梯度的组合：（）（）（）（）（）（）（）（，）（）（）算法 域自适应算法输入：原始域 ；目标域 ，源标签，概率矩阵（），邻接矩阵 和 ，权衡系数 。输出：分类器 和域鉴别器 。初始化：对应 的概率 ，与 ，对齐的概率 ，；根据式（）计算梯度；根据式（）最小化；根据式（）计算梯度（）；根据式（）最小化（，）（，）（，）；计算机应用与软件 年 根据式（）计算梯度（）；根据式（）最小化（，）（，）（）；根据式（）计算梯度（）；根据式（）最小化 ；实验与结果分析 数据集）跨数据集数字识别：、和 数据集包含十类数字的图像。简而言之，、和 字符分别用于表示 、和 数据集 。根据文献 无监督域自适应模型中的设置，在四个自适应方向上对所提出的模型进行评估：、和。）跨数据集对象识别：本文方法也在 数据集上进行了评估。该数据集由四个领域组成：（）、（）、（）和 （）。每个域都有 种常见的图像。通过所有 项适应任务来评估本文方法。）跨模态行人再识别：本文在 数据集上验证了本文方法，该数据集包含由双摄像头系统捕获的 位人的图像。数据集中包含两个子数据集：（）可见数据集（），每个人有 个可见光图像；（）热成像数据集（），每个人有 个不同的热图像。按照文献 中的实验方案，将可见光图数据集和热成像数据集随机分成两份，用于训练和测试。通过重新识别训练和测试数据集中的人员来评估几何对齐特征。）合成数据图像分类：是视觉领域适应的数据集。该数据集由从三维对象模型渲染的合成数据集和具有相同对象类别的真实图像数据集组成，从合成和真实数据集中选择 类对象进行实验，合成数据集和真实数据集分别是源域和目标域。实验设置对于跨数据集数字识别实验，源 和目标 由 实现。在跨数据集对象识别中，用于特征提取。在其他识别任务中，选择由五个卷积层和三个全连接层组成的 来实现源和目标 。按照文献 中搭建的神经网络，将域鉴别器设计为具有 个全连接层、个隐藏层和输出层的深度学习网络。用于标签预测的分类器 是一个全连接层，其输出是类标签的概率向量。在本实验中，平衡参数 设为 。本文所有实验均在 上进行，计算机的配置为 处理器和 内存。将本文方法与各种无监督域自适应模型进行了比较，包括：深度自适应网络（）、加权最大平均差异（）、区分域自适应（）、联合几何和统计对齐（）、分层对抗性深域 自 适 应（）、最大分类器差异（）、条件对抗域自适应（）、随机邻域嵌入（）和切片 差异（）模型等。为了公平起见，实验过程中，这些方法采用相同的深度学习模型骨干网络，源 的结果也作为基准方法进行比较分析。实验结果 跨数据集数字识别跨数据集数字识别的实验结果如表 所示。实验结果表明，与其他模型相比，该模型在四位数字识别实验中表现良好。该模型的平均准确率为 ，是所有无监督域自适应模型中准确性最高的。表 跨数据集的数字识别性能（）模型均值 本文方法 跨数据集对象识别表 总结了跨 数据集的对象识别结果。结果表明，该模型在目标域的识别性能提高了第 期韩彦净，等：基于几何感知双流网络的无监督域自适应模型 百分点。对于大多数自适应任务，本文方法也优于其他无监督域自适应模型。得到的平均准确率为 ，高于表 中列出的其他无监督适应模型。表 数据集上跨数据集对象识别性能（）模型 本文方法 均值 跨模态行人再识别如 节所述，可视和热数据集中的人员随机分成两半进行训练和测试。在训练阶段，将带有标签的模态的训练图像（源域）和另一个没有标签的模态的训练图像（目标域）作为网络中的输入。在测试阶段，目标域中的图像用作测试集，而源域中的图像用作库集，对目标域训练和测试数据集都进行了验证，进行了十次实验。在每次训练中，都会挑选不同的人员进行训练。表 总结了每个实验的平均准确率（）结果。本文方法在目标域训练和测试数据集的所有实验中都取得了最好的结果，在目标域训练和测试数据集中，分别改善了 和 。表 数据集上跨模式人员重新识别的 （）（）（可视化 ）序号前一半数据后一半数据 本文方法 本文方法 续表 序号前一半数据后一半数据 本文方法 本文方法 （）（可视化）序号前一半数据后一半数据 本文方法 本文方法 表 中总结了 的匹配分数。结果表明，在目标域训练数据集中，特征比人工特征（和 ）获得了更好的性能。但是，目标域测试数据集中 的性能与人工制作的性能一样差。相比之下，该模型在目标域的训练数据集和测试数据集上都达到了最高的平均准确率，这表明所提出的几何对齐特征具有更好的泛化能力。此外，标准累积匹配特性（）曲线如图 所示，以进一步说明几何对齐特征的性能。与每个实验中的其他模型相比，本文模型在几乎所有级别上都获得了最高的匹配分数。表 数据集上跨模态行人重识别的性能（）数据集方法目标域训练集目标域测试集 本文方法 本文方法 计算机应用与软件 年（）源：可视，目标：热（）源：可视，目标：热（）源：热，目标：可视（）源：热，目标：可视图 标准累积匹配特性曲线 合成图像分类在十次实验中也包含了合成图像的分类实验，并计算了平均结果。在每个实验中，从 数据集中随机选择十分之一的合成图像和真实图像进行实验。图 说明了真实图像数据集中（目标域）每个类别的识别准确率。结果表明，本文方法不仅提高了平均准确率，而且提高了目标域中大多数图像类别（个类别中的 个）的识别性能。图 算法在真实图像分类中的性能 性能分析 消融研究无监督几何对齐通过三种损失获得：源域和目标域差异损失（和）和几何一致性损失（）。为了分析这些损失对性能的影响，消融实验通过在几何感知双流网络中部分应用这些损失来完成。表 总结了跨数据集对象识别的结果，以供分析。源域 作为基线模型，从这些表中，可以发现本文方法通过仅使用源域差异损失（）来提高性能。这是因为在 约束下，特征对类标签更具区分性。通过应用参考自适应几何体统一标准的 和，可以实现更大的准确率提高。本文方法的平均结果从 进一步提高到 。结合目标域几何一致性损失（），本文方法的性能得到进一步提高，平均准确率达到 。表 交叉数据集识别中消融实验的性能（）数据集基线方法 均值 稳定性分析本节分析十次实验的准确率方差，以证明本文书书书第 期韩彦净，等：基于几何感知双流网络的无监督域自适应模型 方法的稳定性。交叉数据集数字识别的结果与表 中现有的无监督方法进行了比较。对于每对数据集，最高方差以加粗显示。结果表明，本文方法的方差不是最大的，这表明该模型的方差是可以接受的。此外，与同样由对抗网络组成的 相比，本文方法获得了更低的方差。因此，本文方法的性能相对稳定。表 数据集之间数字识别的准确度误差（）模型 本文方法 参数灵敏度本文模型的总体目标函数如式（）所示，包括一个超参数 ，用于平衡表示和几何对齐。本节分析了参数敏感性实验的结果，以说明本文模型中参数 对性能的影响。参数敏感性实验在数字数据集（、和 数据集）上进行。取不同的 值，并保持其他实验参数值不变。值是通过指数函数选择的，范围为 至 ，随 值变化的跨域识别准确率如图 所示。结果表明，在大多数成对数据集中，当 值从 开始增加时，本文方法的性能逐渐从 提高至 ，这验证了学习自适应几何在提高域自适应性能方面的有效性。当 时，本文方法的准确性降低，这意味着不需要对几何对齐（）赋予较大的权重。特别是如果 太大（），几何对齐（）会损害表示对齐（）。可以在图中发现，当 设置为 时，跨数据集识别准确率显著下降。图 随 值变化的跨域识别准确率比较 开放集合域自适应本文重点解决闭集域适配问题，其中源域和目标域的标签空间相同。为了说明域共享标签数量的影响，在标签移位设置下进一步评估了本文模型。实验在数字数据集上进行，借鉴开放集合域适配的实验设置，其中源域和目标域的标签空间部分重叠。非重叠标签在源域和目标域中用作“未知”类。测试了不同域标签的不同重叠率（、和 ）。实验中选择数字 、和 作为域共享标签，重叠率分别为 、和 。源域和目标域都包含域共享标签的示例。除重叠标签外，其余标签的一半样本包含在源域中，而另一半标签的样本包含在目标域中，具有不同标签重叠率（）的开放集域适配结果如表 所示。表 中报告了域共享类的准确率、目标域“未知”类的结果、目标域中所有类的平均结果，还总结了源模型（表示为 ）的结果以供比较。表 数字数据集的开放集域自适应结果（）数据集类 为 为 为 为 本文方法 本文方法 本文方法 本文方法共享 未知 全部 共享 未知 全部 共享 未知 全部 共享 未知 全部 共享 均值未知 全部 表 中的结果表明，一般而言，随着域共享标签数量的增加（的增加），源模型（）在识别域共享类方面的性能降低。这是因为在大型 的情况下，需要识别更多的域共享类，这增加了目标域中数字识别的难度。目标域“未知”类别上的源模型性能（）也随着 的增加而降低。原因可能是，随着域共享 计算机应用与软件 年标签数量的增加，“未知”类的目标样本可能更容易错误分类到某个域共享类中。可以发现，与源模型（）的结果相比，当 大于 时，本文模型在大多数开放集域自适应实验中提高了跨域识别性能。但在 为 的某些情况下，本文方法对于域共享类的准确率较低，例如，当，仅为 。这是因为当 较小时，目标域包含许多带有新标签的样本。因此，域共享类的样本很可能通过跨域的几何对齐被误分类为“未知”类的样本。虽然本文方法的性能不如在闭集域自适应实验中稳定，但在某些情况下，本文方法表现较好。例如，当 为 、时，本文方法将平均准确度提高了 百分点。这一结果表明了学习自适应几何在开放集域自适应中的有效性。可视化本节通过可视化几何对齐的特征并在特征空间中列出目标样本的最近邻域源来考察本文方法的性能。特征可视化使用图 中的 可视化本文方法的源和目标特征。选择数据集 和 作为图示。原始像素值的数据分布作为基线，图 中还说明了从 和 中提取的特征进行比较。符号 和 分别用于标记源域和目标域中的数据 要素。（）原始特征（）特征（）特征（）几何对齐特征（）原始特征（）特征第 期韩彦净，等：基于几何感知双流网络的无监督域自适应模型 （）特征（）几何对齐特征图 可视化结果在图 （）、图 （）中，独立分布源数据集和目标数据集的样本，可见源数据域和目标数据域之间存在较大的域偏移。图 （）、图 （）为 特征的分布。结果表明，特征对于类别标签更容易区分，因为这些特征是从源图像及其标签中学习的。但源特征和目标特征仍然没有很好地匹配，这意味着深度学习特征中仍然存在数据集偏差问题。因此，一些目标样本会被源模型使用深度学习特征错误分类。与 特征相比，来自源数据集和目标数据集的 特征的边缘分布的一致性更强，如图 （）图 （）所示。这反映了对抗性适应的特征对齐效果。然而，可以发现每个目标样本都是任意对齐到一个源样本簇。因此，源数据集和目标数据集的几何形状（邻域关系）是不同的。另外，来自不同类别的一些目标样本在 特征空间中紧密分布，导致这些类别的样本分类困难。相比之下，本文模型在源域和目标域之间对齐表示和几何体，如图 （）、图 （）所示，源与目标的几何对齐特征具有相似的分布。此外，在统一几何准则的约束下，同一类的样本以小方差聚类，分别单独分布不同类的样本。结果表明，由于目标样本的映射受到几何一致性约束的指导，目标样本映射到错误类的可能性较小。因此，目标数据集的几何对齐特征对类标签的区别更大。最近邻域源的可视化本文将一些目标样本及其五个最近邻域源进行可视化，从而说明了特征空间中的邻域关系。如图 所示，选取跨模态行人再识别（，）的结果进行说明。可以看出，目标样本与其邻域中的源图像具有相似的特征。（）（）图 邻域关系可视图 计算机应用与软件 年 结语为了克服几何信息不具有代表性和可区分性等缺点，提出一种基于几何感知双流网络的无监督域自适应模型。最后分析实验结果可以得出如下结论：（）提出的域自适应模型能够在跨数据集对象识别、跨模态行人再识别、开放集合域自适应中均表现出较好的识别准确率，证明了几何对齐有效提高了识别模型在目标域的泛化能力。（）提出的模型获得了更低的方差，因此验证了该模型具有相对稳定的识别性能。另外由于目标样本的映射受到几何一致性约束的指导，目标样本映射到错误类的可能性较小。因此，目标数据集的几何对齐特征对类标签的区别更大。（）随着域共享标签数量的增加，源模型在识别域共享类方面的性能降低。目标域“未知”类别上的源模型性能也随着域共享标签数量的增加而降低。参考文献徐承俊，朱国宾 一种适应大数据处理要求的深层学习模型 计算机应用与软件，（）：柴玉梅，员武莲，王黎明，等 基于双注意力机制和迁移学习的跨域推荐模型 计算机学报，（）：，（）：田锋，王媛媛，吴凡，等 超平面距离的非平衡交互文本情感实例迁移方法 西安交通大学学报，（）：，（）：，（）：赵文仓，袁立镇，徐长凯 基于鉴别模型和对抗损失的无监督域自适应方法 高技术通讯，（）：，（）：姚明海，黄展聪 基于主动学习的半监督域自适应方法研究 高技术通讯，（）：姚明海，方存亮 多层校正的无监督领域自适应方法 中国图象图形学报，（）：蔡瑞初，李嘉豪，郝志峰 基于类内最大均值差异的无监督领域自适应算法 计算机应用研究，（）：，（）：，（）：，（）：，（）：（上接第 页）罗桂娥 双目立体视觉深度感知与三维重建若干问题研究 长沙：中南大学，席云飞，吴双，徐健，等 基于双目立体视觉的 板深度测量 制造业自动化，（）：周星，高志军 立体视觉技术的应用与发展 工程图学学报，（）：马龙，孙铭泽，黄超，等 基于强相似点检测快速双目立体匹配算法 计算机工程与应用，（）：王隶桢 基于立体视觉的自然场景三维模型计算 南京：东南大学，邓志燕，陈炽坤 利用外极线约束的图像匹配新算法 工程图学学报，（）：赵柏山，刘佳琪，王禹衡 一种改进的 目标跟踪算法 微处理机，（）：岳陈平，孟丽娅 基于 算法的立体匹配的实现 微型机与应用，（）：唐丽，吴成柯，刘侍刚，等 基于区域增长的立体像对稠密匹配算法 计算机学报，（）：张钧涵，刘桂华 基于区域增长的自适应稠密匹配算法 微型机与应用，（）：，高程程，惠晓威 基于灰度共生矩阵的纹理特征提取 计算机系统应用，（）：谢菲 图像纹理特征的提取和图像分类系统研究及实现 成都：电子科技大学，杨军，王恒亮 结合巴氏系数和灰度共生矩阵的遥感影像分割 遥感信息，（）：程浩，李寒 一种基于 和图割的快速立体匹配算法 自动化与仪器仪表，（）：马浩 典型立体匹配算法精化方法研究 武汉：武汉大学，