[发明专利]一种跨域网络训练及图像识别方法在审

专利信息
申请号: 201811500433.8 申请日: 2018-12-07
公开(公告)号: CN111291780A 公开(公告)日: 2020-06-16
发明(设计)人: 刘若鹏;栾琳;赵盟盟 申请(专利权)人: 深圳光启空间技术有限公司
主分类号: G06K9/62 分类号: G06K9/62
代理公司: 暂无信息 代理人: 暂无信息
地址: 518000 广东省深圳市龙岗区坂田街道*** 国省代码: 广东;44
权利要求书: 查看更多 说明书: 查看更多
摘要:
搜索关键词: 一种 网络 训练 图像 识别 方法
【权利要求书】:

1.一种跨域网络训练方法,其特征在于,包括以下步骤:

S1:向深度神经网络输入第一域和第二域的样本数据,对所述第一域和第二域的样本数据进行训练,使得在所述深度神经网络在第一域与第二域上各自具有分类能力;

S2:消除域间统计分布差异,使得第一域和第二域具有相近的统计分布特性;

S3:对第一域和第二域进行加强内聚集的训练;

S4:对符合预设条件的训练结果进行保存。

2.如权利要求1所述的跨域网络训练方法,其特征在于,所述步骤S1中对所述第一域和第二域的样本数据进行训练包括:

对所述第一域和第二域的样本数据进行损失函数Triplet-Loss的训练。

3.如权利要求2所述的跨域网络训练方法,其特征在于,所述步骤S2包括:

当所述损失函数Triplet-Loss稳定且满足收敛时,用所述第一域和第二域的最高维度特征计算最大均值差异损失MMD-Loss,并将结果加入合成损失函数,共同进行反向传播和梯度求导。

4.如权利要求3所述的跨域网络训练方法,其特征在于,所述步骤S3包括:

将所述合成损失函数中的MMD-Loss去除,并加入所述第一域和所述第二域的混合Triplet-Loss,进行加强内聚丈的训练。

5.如权利要求4所述的跨域网络训练方法,其特征在于,所述步骤S4包括:

当加强内聚集的训练的合成损失函数收敛且小于设定值时,对训练结果进行保存。

6.如权利要求2所述的跨域网络训|练方法,其特征在于,所述步骤S1中,所述进行损失函数Triplet-Loss的训练还包括:

设置第一学习率,所述第一学习率初始值为0.001至0.01,每10轮所述进行损失函数Triplet-Loss的训练,将第一学习率设置为0.7至0.9倍。

7.如权利要求6所述的跨域网络训练方法,其特征在于,所述步骤S2中,设置第二学习率,所述第二学习率的初始值小于所述第一学习率的初始值,每10轮所述进行加强内聚集的训练,将第二学习率设置为0.7至0.9倍。

8.如权利要求7所述的跨域网络训|练方法,其特征在于,所述第二学习率初始值为0.0001至0.001。

9.如权利要求7所述的跨域网络训|练方法,其特征在于,所述步骤S3中,设置第三学习率,所述第三学习率的初始值小于所述第一学习率的初始值,每5轮所述进行加强内聚集的训练,将第三学习率设置为0.7至0.9倍。

10.如权利要求9所述的跨域网络训练方法,其特征在于,所述第三学习率的初始值为0.0001至0.001。

11.如权利要求2所述的跨域网络训练方法,其特征在于,所述步骤S1还包括:

对Triplet-Loss的训练结束后,提取所述第一域和第二域的特征,执行数据降维,在二维空间画山所述特征位置分布。

12.如权利要求3所述的跨域网络训练方法,其特征在于,所述步骤S2还包括:

对合成损失函数训练结束后,提取所述第一域和第二域的特征,执行数据降维,在二维空间画山所述特征位置分布。

13.如权利要求4所述的跨域网络训练方法,其特征在于,所述步骤S3还包括:

进行加强内聚集的训练结束后,提取所述第一域和第二域的特征,执行数据降维,在二维空间画山所述特征位置分布。

14.一种图像识别方法,其特征在于,对深度神经网络进行如权利要求1-13任一所述的训练,使用训练后的深度神经网络对图像进行识别。

15.一种存储介质,其特征在于,所述存储介质中存储有计算机程序,其中,所述计算机程序被设置为运行时执行所述权利要求1-13任一所述的训练方法。

下载完整专利技术内容需要扣除积分,VIP会员可以免费下载。

该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于深圳光启空间技术有限公司,未经深圳光启空间技术有限公司许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服

本文链接:http://www.vipzhuanli.com/pat/books/201811500433.8/1.html,转载请声明来源钻瓜专利网。

×

专利文献下载

说明:

1、专利原文基于中国国家知识产权局专利说明书;

2、支持发明专利 、实用新型专利、外观设计专利(升级中);

3、专利数据每周两次同步更新,支持Adobe PDF格式;

4、内容包括专利技术的结构示意图流程工艺图技术构造图

5、已全新升级为极速版,下载速度显著提升!欢迎使用!

请您登陆后,进行下载,点击【登陆】 【注册】

关于我们 寻求报道 投稿须知 广告合作 版权声明 网站地图 友情链接 企业标识 联系我们

钻瓜专利网在线咨询

周一至周五 9:00-18:00

咨询在线客服咨询在线客服
tel code back_top