[發明專利]一種基于脈沖遷移學習的辦公設備識別方法

有效

• 申請號: 202110741347.1
• 申請日: 2021-06-30
• 公開（公告）號: CN113553917B
• 公開（公告）日: 2023-04-28
• 發明（設計）人: 解修蕊;劉貴松;占求港;黃鸝;謝卓凱;鄧文杰
• 申請（專利權）人: 電子科技大學
• 主分類號: G06V20/52
• 分類號: G06V20/52;G06T7/13;G06T5/50;G06V10/44;G06V10/764;G06V10/82;G06N3/0464;G06N3/049;G06N3/096;G06N3/084
• 代理公司: 成都弘毅天承知識產權代理有限公司 51230
• 代理人: 朱丹

1.一種基于脈沖遷移學習的辦公設備識別方法，其特征在于：包括以下步驟：

步驟1、根據遷移學習任務，將干凈背景、高分辨率、無噪音的有標注的辦公設備圖像作為源域，實際應用場景所采集的不同分辨率及噪聲圖像作為目標域；

步驟2、初始化脈沖神經網絡參數，包括突觸連接權重、脈沖點火閾值、延遲常數、學習率和時間窗口長度，得到初始狀態的遷移學習網絡模型；

步驟3、將源域和目標域轉換為脈沖形式的圖片，并輸入至步驟2中的初始狀態的遷移學習網絡模型中，并正向傳播；根據域遷移損失以及分類損失，使用Adamax優化器進行整個網絡的訓練，直到模型收斂或達到最大迭代次數，得到訓練好的遷移學習網絡模型；

步驟4、保存訓練好的遷移學習網絡模型，將目標域的全部樣本輸入導訓練好的遷移學習網絡模型中，預測得到最終的分類結果；

所述步驟2或步驟3中的遷移學習網絡模型均包括編碼層、特征層和分類層；其中，特征層包含三個卷積層和三個平均池化層，以及兩個全連接層，最后的分類層為全連接層，其輸出形狀為：批量樣本數，類別數，時間窗口長度；

所述步驟2或步驟3中的遷移學習網絡模型均同時接收源域和目標域的數據X_s和X_T，首先經過編碼層將圖片轉換為脈沖形式得到X_{S_e}和X_{T_e}，再經過特征層進行特征提?。?/p>

特征層源域與目標域共享權值，得到各自的特征X_{S_f}和X_{T_f}，再根據域遷移損失反向傳播訓練網絡，目的是訓練網絡同時從源域與目標域中學習出公共知識，令兩個域被提取的特征在分布上更加接近；

同時，經過特征層得到的特征需要經過分類層得到最后的預測分類結果X_{S_c}和X_{T_c}，再經過分類損失反向傳播訓練網絡，目的是訓練分類層能夠根據特征層提取的具有兩個域公共知識的特征進行正確分類。

2.根據權利要求1所述的一種基于脈沖遷移學習的辦公設備識別方法，其特征在于：分類損失使用多分類的交叉熵損失函數，其數學形式為：

其中，M為類別數量，y_c是指示變量若該類別與樣本的類別相同就是1，否則為0，p_c為對于觀測樣本屬于類別的預測概率，X表示所有樣本，N為樣本總數。

3.根據權利要求1所述的一種基于脈沖遷移學習的辦公設備識別方法，其特征在于：所述步驟3中，源域和目標域的轉換過程包括，原圖經過拉普拉斯算子進行邊緣特征提取，在經過特征層后，將脈沖時序特征通過求和的方式轉為頻域特征，再將源域和目標域的頻域特征輸入域遷移損失進行計算；再轉換為脈沖形式，最后結合原圖轉換的脈沖形式圖片，得到最終的編碼后的圖。

4.根據權利要求3所述的一種基于脈沖遷移學習的辦公設備識別方法，其特征在于：所述域遷移損失采用核中心對齊方法。