机构名称：
¥ 3.0
由于传感器特性变化导致训练阶段的运行时域偏移会导致基于深度学习的传感系统性能下降。为了解决这个问题，现有的迁移学习技术需要大量的目标域数据，并会产生高昂的部署后开销。与此不同，我们建议利用控制域偏移的第一原理来减少对目标域数据的需求。具体来说，我们提出的方法 PhyAug 使用第一原理，结合源传感器和目标传感器收集的少量标记或未标记数据对，将现有的源域训练数据转换为增强的目标域数据，以校准深度神经网络。在关键词识别和自动语音识别这两个音频传感案例研究中，PhyAug 使用从目标麦克风收集的 5 秒未标记数据将麦克风特性变化导致的识别准确度损失恢复了 37% 至 72%。在基于声学的房间识别案例研究中，PhyAug 将智能手机麦克风变化导致的识别准确度损失恢复了 33% 至 80%。在最后一个鱼眼图像识别案例研究中，PhyAug 将由于相机引起的扭曲而导致的图像识别错误减少了 72%。
物理导向数据增强，用于将深度模型传输到特定传感器
主要关键词
相关文件推荐
