迁移方法、迁移装置、计算机设备和计算机可读存储介质

技术领域

本发明涉及物联网技术领域，更具体而言，涉及一种迁移方法、迁移装置、计算机设备和计算机可读存储介质。

背景技术

家居环境中通常存在多个物联网设备(IoT设备)，每个设备都可能具备一定的感知能力，利用基于深度学习的协同感知模型可以预测和识别用户行为，在降低感知成本的同时提升感知识别精度。但是，由于不同的用户环境，其使用和部署的传感器种类和数量等都不一样，因此将源环境中训练的模型迁移部署至目标环境时，一个主要的技术难点是，新环境中的传感器数据质量无法预知，可能存在一些低质量传感器(例如部署位置不佳的传感器、本身有软硬件故障的传感器等)，对协同感知模型的数据产生负面影响，从而拉低协同感知模型的精度。

发明内容

本发明实施方式提供一种迁移方法、迁移装置、计算机设备和计算机可读存储介质。

本发明实施方式提供一种迁移方法，所述迁移方法包括：识别出目标环境下当前传感器中的低质量传感器并为所述低质量传感器分配弱化权重，所述弱化权重小于预设权重；固定每个所述当前传感器的权重，基于待迁移数据集和源环境下的深度学习模型确定迁移后的目标深度学习模型，以将所述深度学习模型从所述源环境迁移到所述目标环境，所述待迁移数据集包括多个待迁移样本，每个所述待迁移样本包括所述当前传感器的当前传感器数据和当前感知目标结果；所述深度学习模型用于根据所述源环境下的传感器数据确定感知目标结果；所述目标深度学习模型用于根据所述目标环境下的传感器数据确定感知目标结果，所述感知目标结果、所述当前感知目标结果均包括目标对象的工作、手势和位置中的至少一种。

在某些实施方式中，所述识别出目标环境下当前传感器中的低质量传感器并为所述低质量传感器分配弱化权重，包括：固定所述深度学习模型的参数；给每个所述当前传感器分配一个权重；基于所述待迁移数据集对所述深度学习模型进行训练以为所述低质量传感器分配所述弱化权重。

在某些实施方式中，所述识别出目标环境下当前传感器中的低质量传感器并为所述低质量传感器分配弱化权重，包括：判断每一个所述当前传感器的所述当前传感器数据是否处于正常工作范围内；在所述当前传感器数据处于所述正常工作范围的临界范围的情况下，确定对应的所述当前传感器为所述低质量传感器并为所述低质量传感器分配所述弱化权重。

在某些实施方式中，所述识别出目标环境下当前传感器中的低质量传感器并为所述低质量传感器分配弱化权重，包括：判断环境变化和每一个所述当前传感器的所述当前传感器数据的变化是否一致；在环境变化和所述当前传感器数据的变化不一致的情况下，确定对应的所述当前传感器为所述低质量传感器并为所述低质量传感器分配所述弱化权重。

在某些实施方式中，所述判断环境变化和每一个所述当前传感器的所述当前传感器数据的变化是否一致，包括：在环境没有发生明显变化的情况下，判断所述当前传感器数据的波动幅度是否小于预设幅度；在环境发生变化的情况下，判断所述当前传感器数据是否在预设区间波动；在环境没有发生明显变化的情况下所述波动幅度大于所述预设幅度，且在环境发生变化的情况下所述当前传感器数据不在所述预设区间波动，确定环境变化和所述当前传感器数据的变化不一致。

在某些实施方式中，所述识别出目标环境下当前传感器中的低质量传感器并为所述低质量传感器分配弱化权重，包括：判断每一个所述当前传感器的感知频率是否处于预设感知频率范围内；在所述感知频率处于所述预设感知频率范围外的情况下，确定对应的所述当前传感器为所述低质量传感器并为所述低质量传感器分配所述弱化权重。

在某些实施方式中，所述识别出目标环境下当前传感器中的低质量传感器并为所述低质量传感器分配弱化权重，包括：当存在多个所述当前传感器的所述当前传感器数据相互关联的情况下，综合比较多个所述当前传感器的所述当前传感器数据；在所述当前传感器数据出现明显异常的情况下，确定对应的所述当前传感器为所述低质量传感器并为所述低质量传感器分配所述弱化权重。

在某些实施方式中，所述识别出目标环境下当前传感器中的低质量传感器并为所述低质量传感器分配弱化权重，包括：判断所述当前传感器的丢包率是否大于预设丢包率；在所述丢包率大于所述预设丢包率的情况下，确定对应的所述当前传感器为所述低质量传感器并为所述低质量传感器分配所述弱化权重。

在某些实施方式中，所述迁移方法包括：获取源环境下的样本数据集，所述样本数据集包括第一数量的样本，所述待迁移数据集为目标环境下的数据集，所述待迁移数据集包括第二数量的样本，所述第二数量少于所述第一数量，每个所述样本包括传感器的传感器数据和标注感知目标结果，所述标注感知目标结果包括目标对象的工作、手势和位置中的至少一种；基于所述样本数据集对所述深度学习模型进行训练，所述深度学习模型包括传感器编码器、知识聚合器和分类器，一个所述传感器对应一个所述传感器编码器，所述传感器编码器用于将所述传感器数据转换为语义向量；所述知识聚合器用于汇总多个所述传感器编码器的语义向量以输出目标对象的高维向量表示；所述分类器用于根据所述高维向量表示确定所述感知目标结果。

在某些实施方式中，所述固定每个所述当前传感器的权重，基于待迁移数据集和源环境下的深度学习模型确定迁移后的目标深度学习模型，以将所述深度学习模型从所述源环境迁移到所述目标环境，包括：固定每个所述当前传感器的权重，基于所述待迁移数据集对所述深度学习模型中的所述传感器编码器的参数、所述知识聚合器的参数和所述分类器的参数进行训练，确定所述目标深度学习模型，以将所述深度学习模型从所述源环境迁移到所述目标环境。

本发明实施方式提供一种迁移装置，所述迁移装置包括：第一处理模块和第二处理模块。所述第一处理模块用于识别出目标环境下当前传感器中的低质量传感器并为所述低质量传感器分配弱化权重，所述弱化权重小于预设权重。所述第二处理模块用于固定每个所述当前传感器的权重，基于待迁移数据集和源环境下的深度学习模型确定迁移后的目标深度学习模型，以将所述深度学习模型从所述源环境迁移到所述目标环境，所述待迁移数据集包括多个待迁移样本，每个所述待迁移样本包括所述当前传感器的当前传感器数据和当前感知目标结果；所述深度学习模型用于根据所述源环境下的传感器数据确定感知目标结果；所述目标深度学习模型用于根据所述目标环境下的传感器数据确定感知目标结果，所述感知目标结果、所述当前感知目标结果均包括目标对象的工作、手势和位置中的至少一种。

本发明实施方式提供一种计算机设备，所述计算机设备包括一个或多个处理器和存储器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行的情况下，实现上述任意一种实施方式的迁移方法的步骤。

本发明实施方式提供一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行的情况下，实现上述任意一种实施方式的迁移方法的步骤。

本发明的迁移方法、迁移装置、计算机设备和计算机可读存储介质中，通过识别当前传感器中的低质量传感器并为低质量传感器分配较小权重，可以极大降低低质量传感器数据对目标深度学习模型的影响，加快目标环境下目标深度学习模型的训练收敛速度，确保目标深度学习模型能够达到较高的识别精度。

本发明的实施方式的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实施方式的实践了解到。

附图说明

本发明的上述和/或附加的方面和优点从结合下面附图对实施方式的描述中将变得明显和容易理解，其中：

图1是本发明某些实施方式的迁移方法的流程示意图；

图2是本发明某些实施方式的迁移方法的流程示意图；

图3是本发明某些实施方式的迁移装置的示意图；

图4是本发明某些实施方式的计算机设备的示意图；

图5是本发明某些实施方式的迁移方法的流程示意图；

图6是本发明某些实施方式的迁移方法的流程示意图；

图7是本发明某些实施方式的迁移方法的流程示意图；

图8是本发明某些实施方式的迁移方法的流程示意图；

图9是本发明某些实施方式的迁移方法的流程示意图；

图10是本发明某些实施方式的迁移方法的流程示意图；

图11是本发明某些实施方式的迁移方法的流程示意图；

图12是本发明某些实施方式的迁移方法的流程示意图；

图13是本发明某些实施方式的迁移方法的流程示意图；

图14是本发明某些实施方式的迁移装置的示意图；

图15是本发明某些实施方式的迁移方法的流程示意图；

图16是本发明某些实施方式的迁移方法的流程示意图。

具体实施方式

下面详细描述本发明的实施方式，实施方式的示例在附图中示出，相同或类似的标号自始至终表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施方式是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。

下文的公开提供了许多不同的实施方式或例子用来实现本发明的实施方式的不同结构。为了简化本发明的实施方式的公开，下文中对特定例子的部件和设置进行描述。当然，它们仅仅为示例，并且目的不在于限制本发明。

家居环境中通常存在多个物联网设备(IoT设备)，每个设备都可能具备一定的感知能力，利用基于深度学习的协同感知模型可以预测和识别用户行为，在降低感知成本的同时提升感知识别精度。但是，由于不同的用户环境，其使用和部署的传感器种类和数量等都不一样，因此将源环境中训练的模型迁移部署至目标环境时，一个主要的技术难点是，新环境中的传感器数据质量无法预知，可能存在一些低质量传感器(例如部署位置不佳的传感器、本身有软硬件故障的传感器等)，对协同感知模型的数据产生负面影响，从而拉低协同感知模型的精度。

请参阅图1和图2，本发明实施方式提供一种迁移方法，迁移方法包括：

01：识别出目标环境下当前传感器中的低质量传感器并为低质量传感器分配弱化权重，弱化权重小于预设权重；

02：固定每个当前传感器的权重，基于待迁移数据集和源环境下的深度学习模型确定迁移后的目标深度学习模型，以将深度学习模型从源环境迁移到目标环境，待迁移数据集包括多个待迁移样本，每个待迁移样本包括当前传感器的当前传感器数据和当前感知目标结果；深度学习模型用于根据源环境下的传感器数据确定感知目标结果；目标深度学习模型用于根据目标环境下的传感器数据确定感知目标结果，感知目标结果、当前感知目标结果均包括目标对象的工作、手势和位置中的至少一种。

请参阅图3，本发明实施方式提供一种迁移装置100，迁移装置100包括：第一处理模块11和第二处理模块12。

本发明实施方式的迁移方法可以由本发明实施方式的迁移装置100实现。其中，步骤01可以由第一处理模块11实现，步骤02可以由第二处理模块12实现。也即是说，第一处理模块11可用于识别出目标环境下当前传感器中的低质量传感器并为低质量传感器分配弱化权重，弱化权重小于预设权重。第二处理模块12可用于固定每个当前传感器的权重，基于待迁移数据集和源环境下的深度学习模型确定迁移后的目标深度学习模型，以将深度学习模型从源环境迁移到目标环境，待迁移数据集包括多个待迁移样本，每个待迁移样本包括当前传感器的当前传感器数据和当前感知目标结果；深度学习模型用于根据源环境下的传感器数据确定感知目标结果；目标深度学习模型用于根据目标环境下的传感器数据确定感知目标结果，感知目标结果、当前感知目标结果均包括目标对象的工作、手势和位置中的至少一种。

本发明实施方式的迁移方法和迁移装置100中，通过识别当前传感器中的低质量传感器并为低质量传感器分配较小权重，可以极大降低低质量传感器数据对目标深度学习模型的影响，加快目标环境下目标深度学习模型的训练收敛速度，确保目标深度学习模型能够达到较高的识别精度。

请参阅图4，多传感器协同感知装置100可以应用于计算机设备1000。计算机设备1000可包括服务器、智能手机、平板电脑、智能手表、智能手环等装置，在此不做具体限定。本发明实施方式的计算机设备1000以服务器为例进行举例说明，不能理解为对本发明的限制。

步骤01识别出目标环境下当前传感器中的低质量传感器并为低质量传感器分配弱化权重，弱化权重小于预设权重。具体地，在进行迁移之前，首先需要确定低质量传感器，并为其分配弱化权重。

如此，通过为低质量传感器分配弱化权重，能够使其不会影响模型整体的数据质量，从而可以加快目标环境下感知模型的训练收敛速度。

步骤02固定每个当前传感器的权重，基于待迁移数据集和源环境下的深度学习模型确定迁移后的目标深度学习模型，以将深度学习模型从源环境迁移到目标环境，待迁移数据集包括多个待迁移样本，每个待迁移样本包括当前传感器的当前传感器数据和当前感知目标结果；深度学习模型用于根据源环境下的传感器数据确定感知目标结果；目标深度学习模型用于根据目标环境下的传感器数据确定感知目标结果，感知目标结果、当前感知目标结果均包括目标对象的工作、手势和位置中的至少一种。具体地，在完成为低质量传感器分配弱化权重之后，将固定每个当前传感器的权重，然后基于待迁移数据集和源环境下的深度学习模型确定迁移后的目标深度学习模型，以将深度学习模型从源环境迁移到目标环境。

如此，可以极大降低低质量传感器数据对深度学习模型在目标环境适应过程中的影响，加快目标环境下目标深度学习模型的训练收敛速度，确保整个协同感知系统在目标环境部署后能够达到较高的识别精度。

请参阅图5，在某些实施方式中，步骤01(识别出目标环境下当前传感器中的低质量传感器并为低质量传感器分配弱化权重)，包括：

0111：固定深度学习模型的参数；

0112：给每个当前传感器分配一个权重；

0113：基于待迁移数据集对深度学习模型进行训练以为低质量传感器分配弱化权重。

请参阅图3，在某些实施方式中，步骤0111、步骤0112和步骤0113可以由第一处理模块11实现，也即是说，第一处理模块11可用于：固定深度学习模型的参数；给每个当前传感器分配一个权重；基于待迁移数据集对深度学习模型进行训练以为低质量传感器分配弱化权重。

如此，通过为低质量传感器分配弱化权重，可以保证即使在样本很少的情况下，低质量传感器的数据也不会对模型适应效果产生太大的影响。

具体地，对于一个给定的在源环境中训练的深度学习模型，本方法首先固定该模型的原始参数，同时给每个传感器分配一个权重参数，然后在数据集上进行训练。在训练过程中，如果某个传感器数据质量较差，其会对最终预测结果贡献不大甚至形成噪音，模型会自动调整每个传感器的权重，降低低质量传感器的影响，使整个协同感知系统能够达到较高的识别精度。

请参阅图6，在某些实施方式中，步骤01(识别出目标环境下当前传感器中的低质量传感器并为低质量传感器分配弱化权重)，包括：

0114：判断每一个当前传感器的当前传感器数据是否处于正常工作范围内；

0115：在当前传感器数据处于正常工作范围的临界范围的情况下，确定对应的当前传感器为低质量传感器并为低质量传感器分配弱化权重。

请参阅图3，在某些实施方式中，步骤0114和步骤0115可以由第一处理模块11实现。也即是说，第一处理模块11可用于：判断每一个当前传感器的当前传感器数据是否处于正常工作范围内；在当前传感器数据处于正常工作范围的临界范围的情况下，确定对应的当前传感器为低质量传感器并为低质量传感器分配弱化权重。

如此，通过对当前传感器数据进行判断，可以完成对低质量传感器的弱权重的分配。

具体地，首先将判断每一个当前传感器的当前传感器数据是否处于正常工作范围内，在当前传感器数据处于正常工作范围的临界范围的情况下，确定对应的当前传感器为低质量传感器并为低质量传感器分配弱化权重；若超过正常工作范围的临界范围，则考虑传感器损坏，不为其分配权重。

请参阅图7，在某些实施方式中，步骤01(识别出目标环境下当前传感器中的低质量传感器并为低质量传感器分配弱化权重)，包括：

0116：判断环境变化和每一个当前传感器的当前传感器数据的变化是否一致；

0117：在环境变化和当前传感器数据的变化不一致的情况下，确定对应的当前传感器为低质量传感器并为低质量传感器分配弱化权重。

请参阅图3，在某些实施方式中，步骤0116和步骤0117可以由第一处理模块11实现。也即是说，第一处理模块11可用于：判断环境变化和每一个当前传感器的当前传感器数据的变化是否一致，在环境变化和当前传感器数据的变化不一致的情况下，确定对应的当前传感器为低质量传感器并为低质量传感器分配弱化权重。

如此，通过判断环境变化和每一个当前传感器的当前传感器数据的变化是否一致，可以为低质量传感器分配弱化权重。

具体的，首先将判断环境变化和每一个当前传感器的当前传感器数据的变化是否一致，在环境变化和当前传感器数据的变化不一致的情况下，确定对应的当前传感器为低质量传感器并为低质量传感器分配弱化权重。

请参阅图8，在某些实施方式中，步骤0116(判断环境变化和每一个当前传感器的当前传感器数据的变化是否一致)，包括：

01161：在环境没有发生明显变化的情况下，判断当前传感器数据的波动幅度是否小于预设幅度；

01162：在环境发生变化的情况下，判断当前传感器数据是否在预设区间波动；

01163：在环境没有发生明显变化的情况下波动幅度大于预设幅度，且在环境发生变化的情况下当前传感器数据不在预设区间波动，确定环境变化和当前传感器数据的变化不一致。

请参阅图3，在某些实施方式中，步骤01161、步骤01162和步骤01163可以由第一处理模块11实现。也即是说，第一处理模块11可用于：在环境没有发生明显变化的情况下，判断当前传感器数据的波动幅度是否小于预设幅度；在环境发生变化的情况下，判断当前传感器数据是否在预设区间波动；在环境没有发生明显变化的情况下波动幅度大于预设幅度，且在环境发生变化的情况下当前传感器数据不在预设区间波动，确定环境变化和当前传感器数据的变化不一致。

如此，通过对当前传感器数据的波动幅度是否小于预设幅度，可以确定低质量传感器。

具体地，首先在环境没有发生明显变化的情况下，判断当前传感器数据的波动幅度是否小于预设幅度，在环境发生变化的情况下，判断当前传感器数据是否在预设区间波动，在环境没有发生明显变化的情况下波动幅度大于预设幅度，且在环境发生变化的情况下当前传感器数据不在预设区间波动，确定环境变化和当前传感器数据的变化不一致，可以确定当前传感器为低质量传感器。

请参阅图9，在某些实施方式中，步骤01(识别出目标环境下当前传感器中的低质量传感器并为低质量传感器分配弱化权重)，包括：

0118：判断每一个当前传感器的感知频率是否处于预设感知频率范围内；

0119：在感知频率处于预设感知频率范围外的情况下，确定对应的当前传感器为低质量传感器并为低质量传感器分配弱化权重。

请参阅图3，在某些实施方式中，步骤018和步骤019可以由第一处理模块11实现。也即是说，第一处理模块11可用于：判断每一个当前传感器的感知频率是否处于预设感知频率范围内；在感知频率处于预设感知频率范围外的情况下，确定对应的当前传感器为低质量传感器并为低质量传感器分配弱化权重。

如此，通过判断每一个当前传感器的感知频率是否处于预设感知频率范围内，可以确定低质量传感器，并为其分配弱化权重。

具体地，首先将判断每一个当前传感器的感知频率是否处于预设感知频率范围内，然后在感知频率处于预设感知频率范围外的情况下，确定对应的当前传感器为低质量传感器并为低质量传感器分配弱化权重。

请参阅图10，在某些实施方式中，步骤01(识别出目标环境下当前传感器中的低质量传感器并为低质量传感器分配弱化权重)，包括：

0120：当存在多个当前传感器的当前传感器数据相互关联的情况下，综合比较多个当前传感器的当前传感器数据；

0121：在当前传感器数据出现明显异常的情况下，确定对应的当前传感器为低质量传感器并为低质量传感器分配弱化权重。

请参阅图3，在某些实施方式中，步骤0120和步骤0121可以由第一处理模块11实现。也即是说，第一处理模块11可用于：当存在多个当前传感器的当前传感器数据相互关联的情况下，综合比较多个当前传感器的当前传感器数据；在当前传感器数据出现明显异常的情况下，确定对应的当前传感器为低质量传感器并为低质量传感器分配弱化权重。

如此，通过综合比较多个当前传感器的当前传感器数据，可以确定低质量传感器，并为其分配弱化权重。

具体地，当存在多个当前传感器的当前传感器数据相互关联的情况下，综合比较多个当前传感器的当前传感器数据，然后在当前传感器数据出现明显异常的情况下，可以确定对应的当前传感器为低质量传感器并为低质量传感器分配弱化权重。

请参阅图11，在某些实施方式中，步骤01(识别出目标环境下当前传感器中的低质量传感器并为低质量传感器分配弱化权重)，包括：

0122：判断当前传感器的丢包率是否大于预设丢包率；

0123：在丢包率大于预设丢包率的情况下，确定对应的当前传感器为低质量传感器并为低质量传感器分配弱化权重。

请参阅图3，在某些实施方式中，步骤0122和步骤0123可以由第一处理模块11实现。也即是说，第一处理模块11可用于：判断当前传感器的丢包率是否大于预设丢包率；在丢包率大于预设丢包率的情况下，确定对应的当前传感器为低质量传感器并为低质量传感器分配弱化权重。

如此，通过判断当前传感器的丢包率是否大于预设丢包率，可以确定低质量传感器，并为其分配弱化权重。

具体地，识别出目标环境下当前传感器中的低质量传感器可以通过判断当前传感器的丢包率是否大于预设丢包率，在丢包率大于预设丢包率的情况下，确定对应的当前传感器为低质量传感器并为低质量传感器分配弱化权重。在一个实施例中预设丢包率为1％，对于上传数据时丢包率大于1％的通信不稳定的当前传感器，考虑其为低质量传感器，为其分配弱化权重。

请参阅图12和图13，在某些实施方式中，迁移方法包括：

03：获取源环境下的样本数据集，样本数据集包括第一数量的样本，待迁移数据集为目标环境下的数据集，待迁移数据集包括第二数量的样本，第二数量少于第一数量，每个样本包括传感器的传感器数据和标注感知目标结果，标注感知目标结果包括目标对象的工作、手势和位置中的至少一种；

04：基于样本数据集对深度学习模型进行训练，深度学习模型包括传感器编码器、知识聚合器和分类器，一个传感器对应一个传感器编码器，传感器编码器用于将传感器数据转换为语义向量；知识聚合器用于汇总多个传感器编码器的语义向量以输出目标对象的高维向量表示；分类器用于根据高维向量表示确定感知目标结果。

请参阅图14，在某些实施方式中，迁移装置100还包括获取模块13和训练模块14，步骤03可以由获取模块13实现，步骤04可以由训练模块14实现。也即是说，获取模块13可用于获取源环境下的样本数据集，样本数据集包括第一数量的样本，待迁移数据集为目标环境下的数据集，待迁移数据集包括第二数量的样本，第二数量少于第一数量，每个样本包括传感器的传感器数据和标注感知目标结果，标注感知目标结果包括目标对象的工作、手势和位置中的至少一种。训练模块14可用于基于样本数据集对深度学习模型进行训练，深度学习模型包括传感器编码器、知识聚合器和分类器，一个传感器对应一个传感器编码器，传感器编码器用于将传感器数据转换为语义向量；知识聚合器用于汇总多个传感器编码器的语义向量以输出目标对象的高维向量表示；分类器用于根据高维向量表示确定感知目标结果。

如此，通过基于样本数据集对深度学习模型进行训练，可以使深度学习模型适用于该样本数据集所包含的应用场景，且由于知识聚合器支持传感器的动态加入和退出，所以能够适应不同家居环境的传感器部署情况。

具体地，对于协同感知系统中的每个传感器(每个IoT设备可以作为一个传感器，例如WIFI设备、雷达设备等)，首先经过一个传感器编码器(encoder),将每个传感器的原始数据转换为一个相同长度的语义向量(embedding)。该传感器编码器的模型结构可以基于每种传感器看到的数据格式制定，如对于无线信号，使用循环神经网络(RNN)模型向前推理得到每个时刻对应的语义向量，同种类型传感器可以复用同一套传感器编码器的参数。当产生每个传感器对应的语义向量之后，使用一个多输入、单输出的知识聚合器，在汇总融合各个传感器信息的同时，产出对于感知目标的高维向量表示。该聚合器的模型架构采用Transformer架构，但需去除Transformer中的位置编码(positional encoding)，使得输入传感器之间的顺序可以随意调整而不影响模型的最终输出。同时，Transformer模型天然支持不定长的输入，因此该聚合器可以接受任意个数的定长传感编码向量，即支持传感器的动态加入和退出。基于聚合之后的高维向量表示，可以进一步推断出最终希望感知的内容，如用户的工作、手势、位置等等；分类器网络采用典型的全连接架构。

请参阅图15和图16，在某些实施方式中，步骤02(固定每个当前传感器的权重，基于待迁移数据集和源环境下的深度学习模型确定迁移后的目标深度学习模型，以将深度学习模型从源环境迁移到目标环境)，包括：

0211：固定每个当前传感器的权重，基于待迁移数据集对深度学习模型中的传感器编码器的参数、知识聚合器的参数和分类器的参数进行训练，确定目标深度学习模型，以将深度学习模型从源环境迁移到目标环境。

请参阅图2，在某些实施方式中，步骤0211可以由第一处理模块11实现。也即是说，第一处理模块11可用于固定每个当前传感器的权重，基于待迁移数据集对深度学习模型中的传感器编码器的参数、知识聚合器的参数和分类器的参数进行训练，确定目标深度学习模型，以将深度学习模型从源环境迁移到目标环境。

如此，通过确定迁移后的目标深度学习模型，可以将深度学习模型从原环境迁移到目标环境。

具体地，在传感器权重训练完毕之后，本方法固定每个当前传感器的权重值，对模型的编码器、聚合器等参数进行训练，由于低质量传感器的权重很低，其不会影响模型整体的数据质量，从而可以加快目标环境下感知模型的训练收敛速度。

请参阅图4，本发明实施方式提供一种计算机设备1000，计算机设备1000包括一个或多个处理器200和存储器300，存储器300存储有计算机程序，计算机程序被处理器200执行的情况下，实现上述实施方式的迁移方法的步骤。具体地，迁移装置100可以应用于计算机设备1000，计算机设备1000可包括服务器等，在此不做具体限定。

例如，计算机程序被处理器200执行的情况下，实现以下迁移方法的步骤：

01：识别出目标环境下当前传感器中的低质量传感器并为低质量传感器分配弱化权重，弱化权重小于预设权重；

02：固定每个当前传感器的权重，基于待迁移数据集和源环境下的深度学习模型确定迁移后的目标深度学习模型，以将深度学习模型从源环境迁移到目标环境，待迁移数据集包括多个待迁移样本，每个待迁移样本包括当前传感器的当前传感器数据和当前感知目标结果；深度学习模型用于根据源环境下的传感器数据确定感知目标结果；目标深度学习模型用于根据目标环境下的传感器数据确定感知目标结果，感知目标结果、当前感知目标结果均包括目标对象的工作、手势和位置中的至少一种。

本发明实施方式提供一种计算机可读存储介质，其上存储有计算机程序，程序被处理器200执行的情况下，实现上述实施方式的迁移方法的步骤。

例如，程序被处理器200执行的情况下，实现以下迁移方法的步骤：

01：识别出目标环境下当前传感器中的低质量传感器并为低质量传感器分配弱化权重，弱化权重小于预设权重；

02：固定每个当前传感器的权重，基于待迁移数据集和源环境下的深度学习模型确定迁移后的目标深度学习模型，以将深度学习模型从源环境迁移到目标环境，待迁移数据集包括多个待迁移样本，每个待迁移样本包括当前传感器的当前传感器数据和当前感知目标结果；深度学习模型用于根据源环境下的传感器数据确定感知目标结果；目标深度学习模型用于根据目标环境下的传感器数据确定感知目标结果，感知目标结果、当前感知目标结果均包括目标对象的工作、手势和位置中的至少一种。

本发明的迁移方法、迁移装置100、计算机设备1000和计算机可读存储介质中，通过识别当前传感器中的低质量传感器并为低质量传感器分配较小权重，可以极大降低低质量传感器数据对目标深度学习模型的影响，加快目标环境下目标深度学习模型的训练收敛速度，确保目标深度学习模型能够达到较高的识别精度。

流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本发明的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本发明的实施例所属技术领域的技术人员所理解。

在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理模块的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(控制方法)，便携式计算机盘盒(磁装置)，随机存取存储器(RAM)，只读存储器(ROM)，可擦除可编辑只读存储器(EPROM或闪速存储器)，光纤装置，以及便携式光盘只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。

应当理解，本发明的实施方式的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。

本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。

此外，在本发明的各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。

上述提到的存储介质可以是只读存储器，磁盘或光盘等。

在本说明书的描述中，参考术语“某些实施方式”等的描述意指结合所述实施方式或示例描述的具体特征、结构或者特点包含于本发明的至少一个实施方式中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施方式。而且，描述的具体特征、结构或者特点可以在任何的一个或多个实施方式中以合适的方式结合。

尽管上面已经示出和描述了本发明的实施方式，可以理解的是，上述实施方式是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施方式进行变化、修改、替换和变型。