[發(fā)明專利]一種圖像持續(xù)學(xué)習(xí)識別方法、裝置及設(shè)備

在審

• 申請?zhí)枺?/td>: 202211287865.1
• 申請日: 2022-10-20
• 公開（公告）號: CN115630694A
• 公開（公告）日: 2023-01-20
• 發(fā)明（設(shè)計）人: 廖海斌;袁理;吳謀
• 申請（專利權(quán)）人: 武漢紡織大學(xué)
• 主分類號: G06N3/084
• 分類號: G06N3/084;G06N3/088;G06N3/096;G06N3/048;G06V10/774;G06V10/778;G06V10/82;G06N5/025
• 代理公司: 武漢科皓知識產(chǎn)權(quán)代理事務(wù)所(特殊普通合伙) 42222
• 代理人: 王琪

1.一種圖像持續(xù)學(xué)習(xí)識別方法，其特征在于，包括特征提取共享和知識遷移學(xué)習(xí)兩大步驟，其中特征提取共享包括如下子步驟：

S11，無監(jiān)督預(yù)訓(xùn)練，采用自編碼網(wǎng)絡(luò)中的無監(jiān)督重構(gòu)預(yù)訓(xùn)練方法訓(xùn)練得到特征提取共享模型；

S12，維護(hù)更新特征提取共享模型，使用BP反向傳播算法對S11步驟生成的特征提取共享模型進(jìn)行微調(diào)更新；

S13，使用更新后的特征提取共享模型對待識別圖像X^(t)進(jìn)行逐層特征提取得到圖像特征H^(t)，t表示第t個識別任務(wù)；

S14，對當(dāng)前任務(wù)的特征H^(t)進(jìn)行分解求解模型參數(shù)θ^(t)以及知識庫矩陣L；

知識遷移學(xué)習(xí)包括知識倉庫構(gòu)建、知識遷移、模型學(xué)習(xí)、更新知識庫和接受反饋；

其中知識遷移中使用特征提取共享模塊提取得到的特征H^(t)構(gòu)建新任務(wù)Z^(t)＝(H^(t),y^(t))，y^(t)為標(biāo)簽，隨后對這組訓(xùn)練數(shù)據(jù)使用終身機器學(xué)習(xí)算法進(jìn)行遷移學(xué)習(xí)，獲得每個任務(wù)最終的圖像識別學(xué)習(xí)模型f^(t)(θ)，并利用學(xué)習(xí)模型進(jìn)行圖像識別。

2.如權(quán)利要求1所述的一種圖像持續(xù)學(xué)習(xí)識別方法，其特征在于：步驟S1中，先隨機初始化自編碼網(wǎng)絡(luò)模型參數(shù)W_l,b_l，利用無標(biāo)簽訓(xùn)練數(shù)據(jù)集X^u,其中T_c為待識別任務(wù)池個數(shù)，使用對比散度算法逐一自下而上進(jìn)行優(yōu)化更新參數(shù)W_l,b_l；對比散度算法首先使用吉布斯采樣方法得到三次采樣后的隱藏層特征H_l-1,0,H_l,0,H_l-1,1,H_l,1，然后通過W_l←W_l+α(H_l-1,0^TH_l,0-H_l-1,1^TH_l,1)更新矩陣W_l，更新b_l，其中，T表示矩陣的轉(zhuǎn)置，α為網(wǎng)絡(luò)預(yù)訓(xùn)練的學(xué)習(xí)率，loss(·)為損失函數(shù)，表示偏導(dǎo)。