劉曉龍，王士同

1.江南大學(xué) 人工智能與計(jì)算機(jī)學(xué)院，江蘇 無錫214122

2.江南大學(xué) 江蘇省媒體設(shè)計(jì)與軟件技術(shù)重點(diǎn)實(shí)驗(yàn)室，江蘇 無錫214122

目前國內(nèi)外大多數(shù)的域自適應(yīng)的工作都假定目標(biāo)域樣本必然屬于源域的已知類，兩者有相同的類別空間，樣本特征分布雖然不同但是相似。在實(shí)際的開放情況中，這種情況大多是不存在的，測(cè)試的目標(biāo)域中大多還是有不同于源域的獨(dú)立類別樣本，把這些獨(dú)立類別稱為“未知類”，源域和目標(biāo)域完全相同的類別，稱為“共享類”。但是如果源域和目標(biāo)域除了包含共享類別之外還都有完全獨(dú)立的未知類別樣本，那么稱作這是一種開放集合領(lǐng)域場(chǎng)景。在此種開放的場(chǎng)景下，源域和目標(biāo)域的共享已知類樣本特征分布相似，差異較??；但是由于未知類的多樣性，源域和目標(biāo)域中未知類樣本與共享類樣本之間分布差異或大或小，簡單的線性分類器不能應(yīng)用到此種開放集的場(chǎng)景下。源域和目標(biāo)域在開放集場(chǎng)景下不再像在封閉集下那樣受限于共享相同的類別。圖1 展示了開放集和封閉集領(lǐng)域場(chǎng)景：圖（a）中源域和目標(biāo)域只包含同一組共享類別的圖像；圖（b）中源域和目標(biāo)域包含未知類別或存在其他領(lǐng)域的類別的樣本，即有共同的已知類別樣本之外，還有完全獨(dú)立的未知類別樣本。這種開放集合的領(lǐng)域是基于一種開放設(shè)置[1]的概念引申出來的。

Fig.1 Closed set domain and open set domain圖1 封閉集合域與開放集合域

為了解決源域中帶標(biāo)簽的數(shù)據(jù)集與目標(biāo)域中的非標(biāo)簽數(shù)據(jù)之間的轉(zhuǎn)移問題，從標(biāo)簽豐富的源域中訓(xùn)練分類器應(yīng)用到另一個(gè)目標(biāo)域樣本，國內(nèi)外學(xué)者也提出了許多域自適應(yīng)方法[2-6]。文獻(xiàn)[2]提出的對(duì)抗性區(qū)分域自適應(yīng)方法學(xué)習(xí)一種對(duì)抗無監(jiān)督適應(yīng)方法的通用框架，使用倒置標(biāo)簽生成對(duì)抗網(wǎng)絡(luò)（generative adversarial network，GAN）損失將優(yōu)化分為兩個(gè)獨(dú)立的目標(biāo)，一個(gè)用于生成器，一個(gè)用于判別器，考慮了獨(dú)立的源映射和目標(biāo)映射（兩個(gè)流之間未共享的權(quán)重），從而可以學(xué)習(xí)領(lǐng)域特定的特征提取。文獻(xiàn)[3]提出了一種深度域自適應(yīng)方法，該方法利用域損失最小化，同時(shí)最大化不同域和類的標(biāo)記樣本之間的距離。文獻(xiàn)[4]利用了將實(shí)例分配給部分潛在的領(lǐng)域并通過優(yōu)化二進(jìn)制來解決分類情況的思想，將實(shí)際的測(cè)試數(shù)據(jù)與已知領(lǐng)域內(nèi)的帶標(biāo)記實(shí)例相關(guān)聯(lián)，解決不平衡跨領(lǐng)域問題。文獻(xiàn)[6]基于對(duì)抗網(wǎng)絡(luò)方法提出了一種全新的度量源域和目標(biāo)域數(shù)據(jù)分布差異的方法。通過梯度翻轉(zhuǎn)層訓(xùn)練卷積網(wǎng)絡(luò)并結(jié)合損失將損失最小化用于域自適應(yīng)分類任務(wù)。由于不同領(lǐng)域的樣本有不同的特征，會(huì)降低不同領(lǐng)域分類器的性能，因此盡可能地要使源域數(shù)據(jù)和目標(biāo)數(shù)據(jù)之間有相似的分布且存在遷移的情況下訓(xùn)練判別分類器。這種特殊直推式遷移學(xué)習(xí)，由于不需要高成本的標(biāo)簽注釋器就可以進(jìn)行源域和目標(biāo)域之間的知識(shí)傳遞，可以更好地解決現(xiàn)實(shí)問題，因此這種優(yōu)勢(shì)技術(shù)受到了更多的關(guān)注。文獻(xiàn)[7]提出的遷移成分分析（transfer component analysis，TCA）和文獻(xiàn)[8]提出的轉(zhuǎn)移均衡的分布式適應(yīng)（balanced distribution adaptation，BDA）都是基于邊緣分布的自適應(yīng)方法。文獻(xiàn)[9-10]利用兩個(gè)域之間存在某些共享子空間提出了測(cè)地線流式核方法（geodesic flow kernel，GFK）。最小化了源域和目標(biāo)域的二階統(tǒng)計(jì)特征的關(guān)聯(lián)對(duì)齊法（correlation alignment，CORAL）[11-12]形式簡單并且高效。這些域自適應(yīng)算法的測(cè)試數(shù)據(jù)大多都來源于訓(xùn)練數(shù)據(jù)。

然而要進(jìn)行圖像分類和行為識(shí)別這種實(shí)際應(yīng)用，現(xiàn)實(shí)由于目標(biāo)域樣本示例沒有給定標(biāo)簽，因此不能確定所屬類別一定是在源域已知類別范圍之內(nèi)，例如從共享網(wǎng)站收集的數(shù)據(jù)集與應(yīng)用程序需要處理的數(shù)據(jù)有很大差別。目前大多域自適應(yīng)算法不能解決源域和目標(biāo)域樣本類別不匹配的遷移問題。利用源域和目標(biāo)域的共享子空間和“未知類”有效解決這個(gè)問題，并且進(jìn)一步提出了一種基于開放集圖像分類的模糊域自適應(yīng)方法。鑒于復(fù)雜的目標(biāo)域樣本的復(fù)雜性和不同環(huán)境配置獲取的圖像樣本的特征相似性，利用歐式距離很難直接精確地判斷目標(biāo)域樣本標(biāo)簽問題，因此引進(jìn)的是模糊系統(tǒng)中的不確定性模糊隸屬度[13-14]。在分配偽標(biāo)記過程中，通過模糊聚類算法的思想獲得樣本模糊隸屬度，通過最小化分配的距離來學(xué)習(xí)從源域到目標(biāo)域的模糊映射，使兩個(gè)域相關(guān)聯(lián)并且分布在同一個(gè)空間中。在下一個(gè)迭代中使用轉(zhuǎn)換后的源域樣本重新模糊分配并更新轉(zhuǎn)換映射，直到在目標(biāo)域樣本上，學(xué)習(xí)的分類器達(dá)到最好的分類效果為止。通過是否預(yù)先給目標(biāo)域樣本固定部分標(biāo)簽，得到了無監(jiān)督模糊域自適應(yīng)和半監(jiān)督模糊域自適應(yīng)兩種情形。

1 無監(jiān)督模糊域自適應(yīng)

對(duì)目標(biāo)域樣本實(shí)例進(jìn)行模糊分配偽標(biāo)簽，利用源域的已知類別數(shù)據(jù)對(duì)每個(gè)目標(biāo)樣本分配偽標(biāo)簽。在開放數(shù)據(jù)集中，定義源域樣本包涵C個(gè)類別，包涵C-1 個(gè)已知樣本類別和一個(gè)額外的未知類別。利用模糊C 均值聚類算法（fuzzy C-means，F(xiàn)CM）的主要思想[13-14]，計(jì)算目標(biāo)域樣本到源域類別中心的距離來得到一個(gè)模糊隸屬矩陣來反映樣本點(diǎn)屬于某一類別的隸屬程度，判斷樣本點(diǎn)上屬于某一類。目標(biāo)域n個(gè)樣本，則可以表示為T={t1,t2,…,tn}，定義第k次迭代的源域所有樣本類別的均值為和V(k)由D維的樣本特征表示。表示第k次迭代中樣本tj屬于第i類的隸屬度，表示第k次迭代中樣本tj屬于奇異值的隸屬度。定義第k次迭代中樣本tj到第i個(gè)中心點(diǎn)的距離為：

利用拉格朗日乘子法求解式，得到隸屬度公式：

可以得到第k次迭代樣本對(duì)源域類別隸屬矩陣和樣本為奇異值的隸屬矩陣。相比直接二分類而言，模糊隸屬度更能符合現(xiàn)實(shí)情況和增加容錯(cuò)率。通過隸屬度目標(biāo)樣本得到一個(gè)帶隸屬度的偽標(biāo)簽。

2 半監(jiān)督模糊域自適應(yīng)

其他條件不變，當(dāng)給目標(biāo)樣本注少量標(biāo)簽時(shí)，無監(jiān)督分配問題變成半監(jiān)督問題。在這種情況下，增加約束條件使帶注釋的目標(biāo)樣本不再改變類別標(biāo)簽。將τ表示樣本的先驗(yàn)標(biāo)簽集合，yrj=1 表示樣本tj帶r類標(biāo)簽。并且是第k次迭代中樣本tj被分配的偽標(biāo)簽，并且。

式（6）、式（7）利用最小化目標(biāo)域樣本到源域類別中心的距離，完成對(duì)所有目標(biāo)域樣本實(shí)例的標(biāo)簽的初步分配，每個(gè)樣本得到一個(gè)偽標(biāo)簽。

通過計(jì)算樣本類別均值，把定義各個(gè)類別均值之間的距離作為類別間的距離：第k次迭代源域中兩兩類別之間距離為：

目標(biāo)域樣本實(shí)例tj標(biāo)簽為i類的代價(jià)通過來表示，添加第二項(xiàng)在半監(jiān)督目標(biāo)方程中。另外通過K近鄰算法得到tj的所有近鄰Nj，如果目標(biāo)域中一個(gè)樣本實(shí)例tj的一個(gè)鄰居樣本被分配到tj所屬類別之外的另一個(gè)類別，添加源域中類別之間的距離作為額外的代價(jià)。定義分配標(biāo)簽的距離代價(jià)目標(biāo)函數(shù)為：

為了方便求解，把第k次迭代中樣本到已知類的距離和額外近鄰距離組合成新的距離損失：

利用拉格朗日乘子法求解式，得到隸屬度公式：

3 學(xué)習(xí)源域到目標(biāo)域映射

為將源域和目標(biāo)域的樣本特征變換到相同的空間，需要學(xué)習(xí)一個(gè)映射函數(shù)W(k)∈?D×D來完成這個(gè)轉(zhuǎn)化。在學(xué)習(xí)這個(gè)映射過程中，選取每個(gè)樣本在隸屬矩陣U(k)和O(k)最大隸屬度，其設(shè)置為0，如果樣本的最大隸屬度出現(xiàn)在O中，那么實(shí)驗(yàn)場(chǎng)景拒絕這個(gè)樣本參與學(xué)習(xí)映射函數(shù)W(k)。表示的是第k次迭代中樣本tj為第i類的最大模糊隸屬度。那么表示樣本tj沒有分配第i類別。在無監(jiān)督和半監(jiān)督兩種場(chǎng)景下，都是通過最小化損失函數(shù)來估計(jì)映射W(k)：

表示第k次迭代中第i類樣本均值的轉(zhuǎn)置，用最小二乘法[15-16]求解這個(gè)凸目標(biāo)函數(shù)的最優(yōu)解W(k)，學(xué)習(xí)源域到目標(biāo)域的模糊映射矩陣W(k)之后，將源樣本特征映射到與目標(biāo)域相同的空間中。每一次迭代會(huì)得到新的映射。在轉(zhuǎn)換后的源域數(shù)據(jù)上訓(xùn)練線性SVM分類器[17]，更新分類器，獲得目標(biāo)域樣本的分類結(jié)果。對(duì)于半監(jiān)督設(shè)置的數(shù)據(jù)集合，實(shí)驗(yàn)還將帶注釋的目標(biāo)樣本添加到訓(xùn)練集中。

輸出：隸屬度矩陣U(k)、O(k)，模糊映射函數(shù)W(k)，分類精度。

步驟1初始化循環(huán)次數(shù)k=1。

步驟2分無監(jiān)督、半監(jiān)督兩種場(chǎng)景：

（1）無監(jiān)督場(chǎng)景下

根據(jù)式（2）得到φ(k)；

根據(jù)式（4）、式（5）得到隸屬矩陣U(k)、O(k)。

（2）半監(jiān)督場(chǎng)景下

根據(jù)式（2）得到φ(k)；

根據(jù)式（10）～（12）迭代更新得到隸屬矩陣U(k)、O(k)。

步驟3根據(jù)式（15）得到映射W(k)。

步驟4W(k)×S(k)：將源域和目標(biāo)域的樣本特征變換到相同的空間。

步驟5在轉(zhuǎn)換后的源域上訓(xùn)練SVM 分類器，用于目標(biāo)域分類，作為下次循環(huán)的源域。

步驟6判斷當(dāng)前迭代是否是最優(yōu)精度，若是則返回步驟1，令k=k+1循環(huán)繼續(xù)；若否，但超過最大迭代次數(shù)K，則循環(huán)停止，輸出前K次迭代中的最優(yōu)精度。

4 實(shí)驗(yàn)研究和分析

通過具體的實(shí)驗(yàn)數(shù)據(jù)集驗(yàn)證了提出的模糊域自適應(yīng)方法的性能，在常用的Office數(shù)據(jù)集[18]上做了圖像的分類實(shí)驗(yàn)。并且根據(jù)預(yù)先設(shè)定好的開放集協(xié)議[19]和是否為目標(biāo)域樣本加標(biāo)記的設(shè)定，實(shí)驗(yàn)分為了無監(jiān)督下的開放集模糊域自適應(yīng)和半監(jiān)督下的開放集模糊域自適應(yīng)兩大部分內(nèi)容。相同的實(shí)驗(yàn)參數(shù)環(huán)境下，在Office 數(shù)據(jù)集[18]上進(jìn)行了圖像分類的實(shí)驗(yàn)，并且與經(jīng)典的域自適應(yīng)算法進(jìn)行了對(duì)比。

4.1 數(shù)據(jù)集以及參數(shù)設(shè)置

在Office 數(shù)據(jù)集[18]上對(duì)本文方法進(jìn)行了評(píng)估和比較。它提供了3 個(gè)不同的領(lǐng)域，即Amazon (A)、DSLR(D)和Webcam(W)。Amazon 數(shù)據(jù)集包含白色背景上的中心對(duì)象，其他兩個(gè)包含在辦公環(huán)境下拍攝的不同質(zhì)量級(jí)別的照片?？偣灿?個(gè)源域-目標(biāo)域的31個(gè)公共類的組合。有6個(gè)領(lǐng)域組合轉(zhuǎn)換（A→D，A→W，D→A，D→W，W→A，W→D）可以進(jìn)行實(shí)驗(yàn)的驗(yàn)證，從AlexNet模型的全連通層(fc7)中提取特征向量[20-21]。通過將Caltech 數(shù)據(jù)集[9]與Office 數(shù)據(jù)集[18]的10 個(gè)相同類別作為共享類，本文為該數(shù)據(jù)集引入了一個(gè)開放集協(xié)議[19]。按照字母順序，在源域中使用第11～20個(gè)類作為未知樣本類，類21～31作為目標(biāo)域中的未知樣本類，源和目標(biāo)域中選擇出來的10 個(gè)類作為共享類，其他分配的未知類不被共享。實(shí)驗(yàn)把獨(dú)立的未知類作為源域中單獨(dú)的一個(gè)類別，那么源域中就有共享的10個(gè)類別和另加一個(gè)未知類。同時(shí)設(shè)定了源域和目標(biāo)域兩者僅包含10個(gè)共享類的樣本的封閉集合（Close）協(xié)議。本文在封閉和開放集合協(xié)議[19]上都做了大量實(shí)驗(yàn)工作。

為確保每個(gè)域轉(zhuǎn)化實(shí)驗(yàn)過程中有同樣參數(shù)配置環(huán)境，這樣訓(xùn)練出來的分類器才能體現(xiàn)本文的模糊域自適應(yīng)方法與無任何自適應(yīng)結(jié)果的對(duì)比的公平性。選擇最大迭代次數(shù)K=10，對(duì)于正則參數(shù)α的調(diào)整，在實(shí)驗(yàn)過程中，在[2-5,25]中以2 為步長尋找最優(yōu)值，直到達(dá)到最優(yōu)解。根據(jù)與文獻(xiàn)[11,16]中相似的分類任務(wù)實(shí)驗(yàn)，使用線性核函數(shù)訓(xùn)練SVM分類器，得到了比較好的軟間隔優(yōu)化，因此基于先前的懲罰因子系數(shù)的選擇，在實(shí)驗(yàn)中取[10-5,100]范圍中以10為步長尋取本次實(shí)驗(yàn)最優(yōu)的懲罰因子，選取多個(gè)域轉(zhuǎn)換的效果最好的系數(shù)。為了體現(xiàn)實(shí)驗(yàn)的真實(shí)公平性，選取C=0.000 1 為本次所有基線算法和對(duì)比算法的懲罰因子系數(shù)。如果β設(shè)置為無窮大，那么這種情況就不考慮任何奇異值。若設(shè)置較低的參數(shù)值，那么幾乎拒絕所有已知類的分配標(biāo)簽，即都分配為奇異值，顯然這樣無法實(shí)驗(yàn)，更不符合邏輯與現(xiàn)實(shí)情況。4.2節(jié)實(shí)驗(yàn)中分析了β取不同值帶來的實(shí)驗(yàn)性能的影響，由實(shí)驗(yàn)表明β=0.5時(shí)多半實(shí)驗(yàn)會(huì)有最優(yōu)效果，因此選取β=0.5作為實(shí)驗(yàn)的默認(rèn)值。

4.2 無監(jiān)督模糊域自適應(yīng)實(shí)驗(yàn)

同時(shí)報(bào)告了將數(shù)據(jù)轉(zhuǎn)換為普通低維子空間的方法結(jié)果，這些算法都是在域自適應(yīng)問題上表現(xiàn)非常顯著的。在Office 數(shù)據(jù)集[18]上對(duì)以下幾個(gè)算法進(jìn)行實(shí)驗(yàn)，包括遷移成分分析法（TCA）[7]，實(shí)驗(yàn)中設(shè)定使用線性核函數(shù)進(jìn)行映射，轉(zhuǎn)化后的維為d=2/D，D為樣本數(shù)據(jù)維度；構(gòu)建了一條測(cè)地線來使源域靠近目標(biāo)域的測(cè)地線流核（GFK），實(shí)驗(yàn)中利用子空間分歧度量（subspace disagreement measure，SDM）[9]和貪心算法求得這次實(shí)驗(yàn)中的最優(yōu)子空間維度d*。此外，還有最小化源域和目標(biāo)域的二階統(tǒng)計(jì)特征的CORAL[11]，實(shí)驗(yàn)用k近鄰分類器，設(shè)置近鄰k=1；在無監(jiān)督情況下的實(shí)驗(yàn)，避免兩個(gè)域之間適配條件分布和邊緣分布被平衡對(duì)待而導(dǎo)致的實(shí)際問題中不平衡的問題，同樣也對(duì)比了轉(zhuǎn)移均衡的分布式適應(yīng)算法（BDA），參考文獻(xiàn)[8]中的設(shè)置，實(shí)驗(yàn)使用線性核，平衡因子μ=1，循環(huán)次數(shù)為10次。為了更好地分析本文方法FDA（fuzzy domain adaptation）算法不同形式的變換形式，F(xiàn)DA 是拒絕所有奇異值的表現(xiàn)，源域中的類別對(duì)目標(biāo)域所有樣本開放，即β=∞；FDAβ表示允許有奇異值的出現(xiàn)，并且在參數(shù)β設(shè)置方面在實(shí)驗(yàn)部分有精確說明。將單獨(dú)用源域數(shù)據(jù)訓(xùn)練的SVM 分類器[17]作為比較對(duì)象,更好體現(xiàn)模糊域自適應(yīng)的有效性。在使用開放集設(shè)置上[19]，本文的實(shí)驗(yàn)報(bào)告如表1 所示，明顯可以看到模糊映射自適應(yīng)方法的優(yōu)越性，本文方法FDA 在開放集和封閉集協(xié)議設(shè)定上都有顯著的分類效果，比其他算法提升幅度更大。對(duì)于所有開放集合設(shè)定下的精度都小于封閉集合下的精度，但是本文方法在所有方法中仍然是表現(xiàn)最好的。

明顯得到，關(guān)于Amazon這種大數(shù)據(jù)集領(lǐng)域組合的轉(zhuǎn)換（A-D，A-W，D-A，W-A）改進(jìn)的幅度更大。Amazon 到Dslr 的開放數(shù)據(jù)集上提升了8.74 個(gè)百分點(diǎn)，封閉數(shù)據(jù)集上提升了11.46個(gè)百分點(diǎn)。Amazon到Webcam數(shù)據(jù)開放集合和封閉集合上提升了16.31個(gè)百分點(diǎn)和11.55個(gè)百分點(diǎn)。從小樣本域到大樣本域的適應(yīng)過程提升幅度也會(huì)有很明顯的提升，并且提升幅度很大。Dslr到Amazon的開放集和封閉集上分別提升了6.15 個(gè)百分點(diǎn)和11.8 個(gè)百分點(diǎn)。而小樣本域（D，W）之間的遷移時(shí)提升幅度不是特別顯著，但是也有不錯(cuò)的效果。本文方法相比較沒有自適應(yīng)學(xué)習(xí)的環(huán)境，幅度有明顯提升。在Office 數(shù)據(jù)集[18]上，開放集合協(xié)議和封閉集合協(xié)議整體平均提升了8.01個(gè)百分點(diǎn)和9.08個(gè)百分點(diǎn)。相對(duì)于實(shí)驗(yàn)的其他域自適應(yīng)學(xué)習(xí)算法，提升幅度最顯著。

參數(shù)β的影響：目標(biāo)樣本是否被視為異常值由φ取值確定，φ由樣本到已知類之間的距離和參數(shù)β決定。為了分析參數(shù)β給實(shí)驗(yàn)帶來的影響，取β=[0.1,0.2,0.3,0.4,0.5,0.6,0.7,0.8,0.9]共9 個(gè)不同的值在轉(zhuǎn)化域中都做實(shí)驗(yàn)。圖2 顯示了不同的β取值對(duì)實(shí)驗(yàn)精度的影響。在Office數(shù)據(jù)集[18]的6個(gè)轉(zhuǎn)化域中多半在β=0.5 左右取得了最佳結(jié)果。當(dāng)β接近0 時(shí)，由于丟棄了太多的樣本，精度大幅下降。因此選取β=0.5 作為所有實(shí)驗(yàn)的默認(rèn)值。

4.3 半監(jiān)督模糊域自適應(yīng)實(shí)驗(yàn)

本文方法也在Office 數(shù)據(jù)集[18]上的半監(jiān)督設(shè)置中進(jìn)行了評(píng)估。在目標(biāo)域的已知類別樣本中，對(duì)每個(gè)已知類隨機(jī)抽取3 個(gè)樣本固定標(biāo)簽。其余未標(biāo)標(biāo)記。把未進(jìn)行域自適應(yīng)時(shí)訓(xùn)練支持向量機(jī)（SVM）分類器的準(zhǔn)確性作為基線，這些支持向量機(jī)僅在帶注釋的目標(biāo)樣本（a）和源域樣本和帶注釋樣本（a+s）上訓(xùn)練。半監(jiān)督設(shè)定下的開放集和封閉集下6 個(gè)域轉(zhuǎn)換的實(shí)驗(yàn)結(jié)果由表2所示，同時(shí)也對(duì)比了考慮奇異值和不考慮奇異值的情況，并且做了對(duì)比實(shí)驗(yàn)。本文也在有1 個(gè)近鄰約束（FDA-N1）和有2 個(gè)近鄰約束（FDA-N2）兩個(gè)不同條件下進(jìn)行了實(shí)驗(yàn)對(duì)比，并且分別考慮了有無奇異值約束的兩種情況，實(shí)驗(yàn)結(jié)果表明，差距不是很大。但是與預(yù)期一樣，在半監(jiān)督場(chǎng)景下，模糊域自適應(yīng)效果比其余的都要好。

在半監(jiān)督場(chǎng)景下，每一個(gè)已知類隨機(jī)選取了3個(gè)樣本加固定標(biāo)簽作為帶有先驗(yàn)信息的樣本，這樣的樣本有普遍性，近鄰距離影響可能較小或者沒有，在目標(biāo)函數(shù)中不具有能決定分配偽標(biāo)簽的效果。具有特殊先驗(yàn)信息的半監(jiān)督設(shè)定下6 個(gè)域轉(zhuǎn)化實(shí)驗(yàn)精度的均值和方差如表3 所示。導(dǎo)致運(yùn)行本次半監(jiān)督實(shí)驗(yàn)結(jié)果的魯棒性很強(qiáng)。考慮現(xiàn)實(shí)情況，如果在特殊人為的先驗(yàn)條件下，憑經(jīng)驗(yàn)?zāi)艽_定部分具有代表性的和容易判斷錯(cuò)誤的樣本標(biāo)簽，那么這類樣本對(duì)整個(gè)分類判別分析的影響會(huì)很大，并且在選取少量固定標(biāo)簽樣本情況下變化幅度也會(huì)很大，通過實(shí)驗(yàn)來驗(yàn)證本文的猜想。在這樣的假設(shè)條件下，優(yōu)先選擇具有代表性的或者容易分配為錯(cuò)誤標(biāo)簽的樣本，一個(gè)特殊的半監(jiān)督場(chǎng)景：在第一次通過目標(biāo)域樣本到已知類中心的距離判斷偽標(biāo)簽的時(shí)候，選擇出那些判斷錯(cuò)誤的樣本，作為半監(jiān)督場(chǎng)景下加注釋的部分。在優(yōu)先選擇這些強(qiáng)注釋樣本條件下，同樣每個(gè)類別隨機(jī)抽取3個(gè)樣本加標(biāo)簽注釋，形成特殊的半監(jiān)督環(huán)境。實(shí)驗(yàn)驗(yàn)證了本文的猜想，并且與先前驗(yàn)證實(shí)驗(yàn)效果一致。

Table 1 Accuracy comparison of 6 domain transformation experiments under unsupervised settings表1 無監(jiān)督設(shè)定下6個(gè)域轉(zhuǎn)化實(shí)驗(yàn)的精度對(duì)比 %

Fig.2 Influence of different parameter β on accuracy of 6 domain transformation experiments圖2 不同的參數(shù)β 對(duì)6個(gè)域轉(zhuǎn)化實(shí)驗(yàn)精度的影響

Table 2 Accuracy comparison of 6 domain transformation experiments under semi-supervised settings表2 半監(jiān)督設(shè)定下6個(gè)域轉(zhuǎn)化實(shí)驗(yàn)的精度對(duì)比 %

Table 3 Mean and variance of 6 domain transformation experiments accuracy under semi-supervised settings with special prior information表3 具有特殊先驗(yàn)信息的半監(jiān)督設(shè)定下6個(gè)域轉(zhuǎn)化實(shí)驗(yàn)精度的均值和方差 %

為了保證實(shí)驗(yàn)結(jié)果真實(shí)準(zhǔn)確，對(duì)每個(gè)域轉(zhuǎn)化下的數(shù)據(jù)集都進(jìn)行了3次實(shí)驗(yàn)，然后取平均值作為最終結(jié)果并且用標(biāo)準(zhǔn)差來評(píng)估預(yù)測(cè)的離散程度。

5 結(jié)束語

現(xiàn)實(shí)場(chǎng)景更具有開放性，目標(biāo)域與源域有完全獨(dú)立的類別樣本。鑒于獨(dú)立類別樣本的復(fù)雜性和重復(fù)性，本文提出的面向開放集合的模糊域自適應(yīng)的方法基于源域和目標(biāo)域的共享子空間對(duì)齊，通過計(jì)算目標(biāo)樣本模糊隸屬度的方法得到帶有模糊隸屬度的偽標(biāo)簽，迭代更新源域到目標(biāo)域的模糊映射函數(shù)，將源域和目標(biāo)域的樣本特征變換到相同的空間。實(shí)驗(yàn)結(jié)果證明，本文算法有效解決了傳統(tǒng)域自適應(yīng)算法解決不了的開放性問題，并且在無監(jiān)督和半監(jiān)督場(chǎng)景下都能獲得比較顯著的結(jié)果。模糊域自適應(yīng)的方法也可以應(yīng)用于圖像分類的行為動(dòng)作識(shí)別和視角檢測(cè)上等更廣泛的開放場(chǎng)景。