TDACNN：用于气体传感器漂移补偿的无目标域领域自适应卷积神经网络
定量方法
2022-03-29 v3 计算机视觉与模式识别
摘要
传感器漂移是一个长期存在的不可预测问题，它会降低气态物质识别的性能，因此需要一种抗漂移的领域自适应算法。然而，传统方法取得良好效果的前提是拥有来自非漂移分布（源域）和漂移分布（目标域）的数据以进行领域对齐，这在实际场景中通常是不现实且无法实现的。为了弥补这一点，本文提出了一种基于深度学习的无目标域领域自适应卷积神经网络 (TDACNN)。其主要概念是，CNN 不仅提取样本的领域特定特征，还提取源域和目标域共有的领域不变特征。充分利用这些不同层次的嵌入特征可以导致对不同层次特征的全面利用，从而通过提取的两个领域之间的中间特征实现漂移补偿。在 TDACNN 中，受仿生学指导，提出了一种具有多分类器结构的灵活多分支主干网络，它在训练过程中不涉及目标域数据，综合性地利用多个嵌入特征。提出了一种基于最大均值差异 (MMD) 的分类器集成方法，以基于伪标签的可信度来联合评估所有分类器。为了优化网络训练，使用了具有参数动态调整的附加角裕度 softmax 损失。在不同设置下对两个漂移数据集进行的实验证明了 TDACNN 相较于几种最先进方法的优越性。
引用
@article{arxiv.2110.07509,
title = {TDACNN: Target-domain-free Domain Adaptation Convolutional Neural Network for Drift Compensation in Gas Sensors},
author = {Yuelin Zhang and Sihao Xiang and Zehuan Wang and Xiaoyan Peng and Yutong Tian and Shukai Duan and Jia Yan},
journal= {arXiv preprint arXiv:2110.07509},
year = {2022}
}
备注
Published in Sensors and Actuators B: Chemical, Volume 361, 15 June 2022, 131739