(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211084527.8 (22)申请日 2022.09.06 (71)申请人 广东工业大 学 地址 510000 广东省广州市东 风东路729号 (72)发明人 陈治　张小波　 (74)专利代理 机构 北京中济纬天专利代理有限 公司 11429 专利代理师 刘玉强 (51)Int.Cl. G06V 10/774(2022.01) G06V 10/764(2022.01) G06V 20/40(2022.01) G06T 5/00(2006.01) (54)发明名称 一种视频无监 督域自适应算法 (57)摘要 本发明提供一种视频无监督域自适应算法， 其包括： S1、 将源数据和目标数据放入模型； S2、 Zero‑DCA对目标域进行增强； S3、 目标数据增强 后与源数据进行特征提取器； S4、 特征提取器输 出视频特征； S5、 由目标数据为输入的视频特征 转化权重矩 阵与由视频特征转化的视频特征同 时进入分类器； S6、 由源数据作为输入的预测结 果进行交叉熵损失计算， 由目标数据作为输入的 预测结果； S7、 重复上述步骤S4到S6的步骤即为 “膨胀收缩熵 ”的过程； 本发明的有益效果为： 1、 环境的变更(地点、 场景物品布置)时不会影 响模 型的效率； 2、 识别目标即人物状况的变更(目标 所处的位置、 目标的个人特征动作)时不会影响 模型的效率。 权利要求书2页 说明书3页 附图2页 CN 115457347 A 2022.12.09 CN 115457347 A 1.一种视频 无监督域自适应算法， 其特 征在于， 所述自适应算法包括以下步骤： S1、 将源数据和目标 数据放入 模型； S2、 Zero‑DCA对目标域进行增强； S3、 目标数据增强后与源数据进行 特征提取器； S4、 特征提取器输出视频 特征； S5、 由目标数据为输入的视频特征转化权重矩阵与由视频特征转化的视频特征同时进 入分类器； S6、 由源数据作为输入的预测结果进行交叉熵损 失计算， 由目标数据作为输入的预测 结果； S7、 重复上述 步骤S4到S6的步骤即为 “膨胀收缩熵 ”的过程。 2.根据权利要求1所述的一种视频无监督域自适应算法， 其特征在于， 在上述步骤S2 中， Zero‑DCA对目标域进行增强的方法为通过增强曲线和一致性损失函数构成的框架组 成， 所述框架 通过重复应用所述增强曲线中的RGB通道输入的所有像素来 获得增强图像， 增 强曲线的计算公式为： 其中， x表示像素坐标， Ek(I(t),x)是给定输入 I(t)的增强版本， 而γ∈[ ‑1,1]是可训练 的曲线参数， 它调整增强曲线的大小和控制曝光水平， k是迭代次数， Ak(t)是一个与给定图 像相同大小的参数映射。 3.根据权利要求2所述的一种视频无监督域自适应算法， 其特征在于， 所述一致性损失 函数的计算公式为： 为曝光控制损失函数， 为色彩 恒常性损失函数； 其中， M为非重 叠局部区域的个数， X为增强图像中区域的平均强度值； 其中， Jp是增强图像中p通道的平均强度值， (p,q)是一对通道。 4.根据权利要求1所述的一种视频无监督域自适应算法， 其特征在于， 在上述步骤S5 中， 为了训练分类器， 权值矩阵中的权值向量应该指向对应类别的特征， 训练开始 时， 源域 的数据占主导地位， 然后才目标域引入权值矩阵中的每个权值向量来影响其移动方向； 通 过多次迭代更新和训练移动方向， 直到为每个分类生成一个相对稳定的移动方向， 将这个 过程定义 为“膨胀熵”。 5.根据权利要求4所述的一种视频无监督域自适应算法， 其特征在于， 在上述步骤S5 中， 还包括一个 “香农熵”，“香农熵”通过计算WT与未标记目标数据之间的相似性来增加它， 香农熵的计算公式如下： p(x＝i||t)＝S(WT·F(t))； 其中i是类的个 数， F是特征提取器， WT是来自目标域的权重矩阵， S定义为Softmax 函数，权　利　要　求　书 1/2 页 2 CN 115457347 A 2p(x＝i||t)表示对类i的概 率预测。 6.根据权利要求1所述的一种视频无监督域自适应算法， 其特征在于， 所述交叉熵损失 的计算公式为： 权　利　要　求　书 2/2 页 3 CN 115457347 A 3