[發(fā)明專利]一種基于絕對-相對學(xué)習(xí)架構(gòu)的小樣本學(xué)習(xí)方法和系統(tǒng)

有效

• 申請?zhí)枺?/td>: 202110700741.0
• 申請日: 2021-06-24
• 公開（公告）號: CN113255701B
• 公開（公告）日: 2021-10-22
• 發(fā)明（設(shè)計(jì)）人: 張洪廣;馬琳茹;楊雄軍;李東陽;保金禎
• 申請（專利權(quán)）人: 軍事科學(xué)院系統(tǒng)工程研究院網(wǎng)絡(luò)信息研究所
• 主分類號: G06K9/46
• 分類號: G06K9/46;G06K9/62;G06N20/00
• 代理公司: 中國和平利用軍工技術(shù)協(xié)會(huì)專利中心 11215
• 代理人: 劉光德

1.一種基于絕對-相對學(xué)習(xí)架構(gòu)的小樣本學(xué)習(xí)方法，其特征在于，其中：

所述絕對-相對學(xué)習(xí)架構(gòu)包括表征提取模塊、絕對學(xué)習(xí)模塊、相對學(xué)習(xí)模塊；

所述小樣本學(xué)習(xí)方法用于訓(xùn)練模型，所述模型用于圖像識別，所述小樣本學(xué)習(xí)方法具體包括：

步驟S1、調(diào)用所述表征提取模塊，對訓(xùn)練集中的各個(gè)圖像樣本進(jìn)行表征提取，以獲得所述各個(gè)圖像樣本的特征向量；

步驟S2、調(diào)用所述絕對學(xué)習(xí)模塊，對所述各個(gè)圖像樣本的特征向量進(jìn)行訓(xùn)練，以確定所述各個(gè)圖像樣本基于類別的第一預(yù)測結(jié)果和基于語義的第二預(yù)測結(jié)果；

步驟S3、將每兩個(gè)圖像樣本的特征向量組合成一組樣本特征對，將每一組樣本特征對中的兩個(gè)特征向量拼接為一組合成向量；

步驟S4、調(diào)用所述相對學(xué)習(xí)模塊，對所述樣本特征對進(jìn)行訓(xùn)練，以確定所述每一組樣本特征對中的兩個(gè)特征向量基于類別的第一相似度和基于語義的第二相似度；

步驟S5、根據(jù)所述第一預(yù)測結(jié)果、所述第二預(yù)測結(jié)果、所述第一相似度、所述第二相似度來計(jì)算所述模型的損失函數(shù)，以完成對所述模型的訓(xùn)練；

其中，在所述步驟S5中：

所述第一預(yù)測結(jié)果、所述第二預(yù)測結(jié)果、所述第一相似度、所述第二相似度分別具有對應(yīng)的權(quán)重因子，基于所述權(quán)重因子來計(jì)算所述模型的損失函數(shù)；

多次重復(fù)所述步驟S1至所述步驟S4，以獲取所述模型的多個(gè)損失函數(shù)，從所述多個(gè)損失函數(shù)中確定最小值，將所述最小值狀態(tài)下的模型用于所述圖像識別，以完成對所述模型的訓(xùn)練。

2.根據(jù)權(quán)利要求1所述的基于絕對-相對學(xué)習(xí)架構(gòu)的小樣本學(xué)習(xí)方法，其特征在于，其中，在所述步驟S2中，確定所述第一預(yù)測結(jié)果具體包括：

調(diào)用所述絕對學(xué)習(xí)模塊中的第一絕對學(xué)習(xí)子模塊，通過學(xué)習(xí)所述各個(gè)圖像樣本的類別知識，利用交叉熵?fù)p失函數(shù)來計(jì)算所述各個(gè)圖像樣本基于類別的第一預(yù)測結(jié)果，其中所述第一絕對學(xué)習(xí)子模塊為類別預(yù)測器。

3.根據(jù)權(quán)利要求1所述的基于絕對-相對學(xué)習(xí)架構(gòu)的小樣本學(xué)習(xí)方法，其特征在于，其中，在所述步驟S2中，確定所述第二預(yù)測結(jié)果具體包括：

調(diào)用所述絕對學(xué)習(xí)模塊中的第二絕對學(xué)習(xí)子模塊，通過學(xué)習(xí)所述各個(gè)圖像樣本的語義知識，利用均方誤差損失函數(shù)來計(jì)算所述各個(gè)圖像樣本基于語義的第二預(yù)測結(jié)果，其中所述第二絕對學(xué)習(xí)子模塊為語義預(yù)測器。

4.根據(jù)權(quán)利要求1所述的基于絕對-相對學(xué)習(xí)架構(gòu)的小樣本學(xué)習(xí)方法，其特征在于，其中，在所述步驟S4中，確定所述第一相似度具體包括：

調(diào)用所述相對學(xué)習(xí)模塊中的第一相對學(xué)習(xí)子模塊，以拼接的合成向量作為輸入，利用均方誤差損失函數(shù)來計(jì)算所述每一組樣本特征對中的兩個(gè)特征向量基于類別的第一相似度，其中所述第一相對學(xué)習(xí)子模塊為描述類別關(guān)系的相對學(xué)習(xí)器。

5.根據(jù)權(quán)利要求1所述的基于絕對-相對學(xué)習(xí)架構(gòu)的小樣本學(xué)習(xí)方法，其特征在于，其中，在所述步驟S4中，確定所述第二相似度具體包括：

調(diào)用所述相對學(xué)習(xí)模塊中的第二相對學(xué)習(xí)子模塊，以拼接的合成向量作為輸入，利用均方誤差損失函數(shù)來計(jì)算所述每一組樣本特征對中的兩個(gè)特征向量基于語義的第二相似度，其中所述第二相對學(xué)習(xí)子模塊為描述語義關(guān)系的相對學(xué)習(xí)器。