[發明專利]一種基于遷移學習的少樣本目標識別方法在審
| 申請號： | 202010195836.7 | 申請日： | 2020-03-19 |
| 公開（公告）號： | CN111401454A | 公開（公告）日： | 2020-07-10 |
| 發明（設計）人： | 張發恩;宋亮 | 申請（專利權）人： | 創新奇智（重慶）科技有限公司 |
| 主分類號： | G06K9/62 | 分類號： | G06K9/62;G06N3/04;G06N3/08 |
| 代理公司： | 廣州鼎賢知識產權代理有限公司 44502 | 代理人： | 劉莉梅 |
| 地址： | 400039 重慶市九龍坡區*** | 國省代碼： | 重慶;50 |
| 權利要求書： | 查看更多 | 說明書： | 查看更多 |
| 摘要： | |||
| 搜索關鍵詞： | 一種 基于 遷移 學習 樣本 目標 識別 方法 | ||
1.一種基于遷移學習的少樣本目標識別方法，其特征在于，包括如下步驟：
步驟S1，確定一源域模型作為目標域初始模型；
步驟S2，所述目標域初始模型對輸入的源域數據D1和目標域數據D2進行預測，得到關聯所述源域數據D1的特征向量F1和關聯所述目標域數據D2的特征向量F2；
步驟S3，所述目標域初始模型分別對所述特征向量F1和所述特征向量F2進行分類，得到一分類結果；
步驟S4，基于所述分類結果與真實分類結果間的差異，確定所述目標域初始模型的損失函數L；
步驟S5，基于所述損失函數L，并通過優化算法對所述目標域初始模型進行模型優化；
步驟S6，重復所述步驟S2～S5，對所述目標域初始模型進行迭代更新，最終訓練形成一目標域模型。
2.如權利要求1所述的少樣本目標識別方法，其特征在于，所述步驟S4中，所述損失函數L包括第一損失函數L1和第二損失函數L2，所述第一損失函數L1為所述目標域初始模型對所述特征向量F1作出的預測類別P1與所述特征向量F1對應的真實類別Y1的交叉熵；
所述第二損失函數L2為所述目標域初始模型對所述特征向量F2作出的預測類別P2與所述特征向量F2對應的真實類別Y2的交叉熵。
3.如權利要求2所述的少樣本目標識別方法，其特征在于，所述步驟S4中，所述損失函數L包括第三損失函數L3，所述第三損失函數L3為針對所述特征向量F1和所述特征向量F2間的距離所計算的距離值。
4.如權利要求3所述的少樣本目標識別方法，其特征在于，所述距離為歐氏距離。
5.如權利要求1所述的少樣本目標識別方法，其特征在于，所述步驟S5中，通過SGD隨機梯度下降優化算法對所述目標域初始模型進行模型優化。
6.如權利要求1所述的少樣本目標識別方法，其特征在于，所述源域模型包括ResNet50和ResNet101預訓練模型。
該專利技術資料僅供研究查看技術是否侵權等信息，商用須獲得專利權人授權。該專利全部權利屬于創新奇智（重慶）科技有限公司，未經創新奇智（重慶）科技有限公司許可，擅自商用是侵權行為。如果您想購買此專利、獲得商業授權和技術合作，請聯系【客服】
本文鏈接：http://www.szxzyx.cn/pat/books/202010195836.7/1.html，轉載請聲明來源鉆瓜專利網。
