[發(fā)明專利]耦合的多任務特征提取方法、裝置、電子設(shè)備及存儲介質(zhì)在審
| 申請?zhí)枺?/td> | 202110065929.2 | 申請日： | 2021-01-18 |
| 公開（公告）號： | CN112861926A | 公開（公告）日： | 2021-05-28 |
| 發(fā)明（設(shè)計）人： | 張國輝;盛建達 | 申請（專利權(quán)）人： | 平安科技（深圳）有限公司 |
| 主分類號： | G06K9/62 | 分類號： | G06K9/62;G06F16/951;G06K9/00 |
| 代理公司： | 北京中巡通大知識產(chǎn)權(quán)代理有限公司 11703 | 代理人： | 孟大帥 |
| 地址： | 518000 廣東省深圳市福田區(qū)福*** | 國省代碼： | 廣東;44 |
| 權(quán)利要求書： | 查看更多 | 說明書： | 查看更多 |
| 摘要： | |||
| 搜索關(guān)鍵詞： | 耦合 任務 特征 提取 方法 裝置 電子設(shè)備 存儲 介質(zhì) | ||
1.耦合的多任務特征提取方法，其特征在于，包括下述步驟：
獲取有標簽的圖片集和無標簽的圖片集；
將有標簽的圖片集和無標簽的圖片集的圖片混合并進行增擴預處理，獲得混合圖片集；
初始訓練：將混合圖片集輸入第一網(wǎng)絡(luò)，對第一網(wǎng)絡(luò)進行訓練；第一網(wǎng)絡(luò)輸出的特征量作為輸入進入第三網(wǎng)絡(luò)，對第三網(wǎng)絡(luò)進行訓練，直至LOSS收斂；訓練完成獲得第一網(wǎng)絡(luò)和第三網(wǎng)絡(luò)各層的權(quán)重系數(shù)；
再次訓練：將第一種圖片集、第二種圖片集同時輸入第一網(wǎng)絡(luò)，對第一網(wǎng)絡(luò)再次進行訓練；第一網(wǎng)絡(luò)輸出的特征量進行分流：對混合圖片集提取的特征量輸入第三網(wǎng)絡(luò)對第三網(wǎng)絡(luò)進行訓練，直至LOSS收斂；對有標簽的圖片集提取的特征量輸入第二網(wǎng)絡(luò)對第二網(wǎng)絡(luò)進行訓練，直至LOSS收斂；完成第一網(wǎng)絡(luò)、第二網(wǎng)絡(luò)、第三網(wǎng)絡(luò)的訓練，獲得第一網(wǎng)絡(luò)、第二網(wǎng)絡(luò)、第三網(wǎng)絡(luò)各層的權(quán)重系數(shù)；所述第一種圖片集為混合圖片集，第二種圖片集為有標簽的圖片集；
采集待識別圖片，輸入再次訓練后第一網(wǎng)絡(luò)和第二網(wǎng)絡(luò)構(gòu)成的深度學習網(wǎng)絡(luò)，輸出對應的分類標簽，完成識別。
2.根據(jù)權(quán)利要求1所屬的耦合的多任務特征提取方法，其特征在于，無標簽的圖片集通過爬蟲軟件爬取獲得。
3.根據(jù)權(quán)利要求1所屬的耦合的多任務特征提取方法，其特征在于，無標簽的圖片集中圖片數(shù)量為有標簽的圖片集中圖片數(shù)量的十倍以上。
4.根據(jù)權(quán)利要求1所屬的耦合的多任務特征提取方法，其特征在于，第一網(wǎng)絡(luò)為深度學習網(wǎng)絡(luò)的淺層特征提取網(wǎng)絡(luò)，第二網(wǎng)絡(luò)、第三網(wǎng)絡(luò)結(jié)構(gòu)相同，權(quán)重系數(shù)不同，為深度學習網(wǎng)絡(luò)的其余部分。
5.根據(jù)權(quán)利要求1所屬的耦合的多任務特征提取方法，其特征在于，所述再次訓練的步驟具體包括：
將第一種圖片集、第二種圖片集、第三種圖片集、第四種圖片集、第五種圖片集同時輸入第一網(wǎng)絡(luò)，對第一網(wǎng)絡(luò)再次進行訓練；第三種圖片集為有標簽和無標簽圖片組成的原始混合圖片集；第四種圖片集為有標簽和無標簽圖片組成的原始混合圖片集；第五種圖片集為第四網(wǎng)絡(luò)復原的圖片集；
第一網(wǎng)絡(luò)輸出的特征量進行分流：
對第一種圖片集提取的特征量輸入第三網(wǎng)絡(luò)對第三網(wǎng)絡(luò)進行訓練，直至LOSS收斂；
對第二種圖片集提取的特征量輸入第二網(wǎng)絡(luò)對第二網(wǎng)絡(luò)進行訓練，直至LOSS收斂；
對第三種圖片集提取的特征量輸入第四網(wǎng)絡(luò)對第四網(wǎng)絡(luò)進行訓練，直至LOSS收斂；
對第四種圖片集和第五種圖片提取的特征量輸入第五網(wǎng)絡(luò)對第五網(wǎng)絡(luò)進行訓練，直至LOSS收斂；
完成第一網(wǎng)絡(luò)、第二網(wǎng)絡(luò)、第三網(wǎng)絡(luò)、第四網(wǎng)絡(luò)、第五網(wǎng)絡(luò)的訓練；獲得第一網(wǎng)絡(luò)、第二網(wǎng)絡(luò)、第三網(wǎng)絡(luò)、第四網(wǎng)絡(luò)、第五網(wǎng)絡(luò)各層的權(quán)重系數(shù)。
6.根據(jù)權(quán)利要求5所述的耦合的多任務特征提取方法，其特征在于，第一網(wǎng)絡(luò)為深度學習網(wǎng)絡(luò)的淺層特征提取網(wǎng)絡(luò)，第二網(wǎng)絡(luò)、第三網(wǎng)絡(luò)、第五網(wǎng)絡(luò)結(jié)構(gòu)相同，權(quán)重系數(shù)不同，為深度學習網(wǎng)絡(luò)的其余部分；第四網(wǎng)絡(luò)為上采樣網(wǎng)絡(luò)。
7.根據(jù)權(quán)利要求1所述的耦合的多任務特征提取方法，其特征在于，所述深度學習網(wǎng)絡(luò)為VGG16。
該專利技術(shù)資料僅供研究查看技術(shù)是否侵權(quán)等信息，商用須獲得專利權(quán)人授權(quán)。該專利全部權(quán)利屬于平安科技（深圳）有限公司，未經(jīng)平安科技（深圳）有限公司許可，擅自商用是侵權(quán)行為。如果您想購買此專利、獲得商業(yè)授權(quán)和技術(shù)合作，請聯(lián)系【客服】
本文鏈接：http://www.szxzyx.cn/pat/books/202110065929.2/1.html，轉(zhuǎn)載請聲明來源鉆瓜專利網(wǎng)。
- 同類專利
- 專利分類
