[发明专利]一种基于迁移学习的少样本目标识别方法在审
| 申请号： | 202010195836.7 | 申请日： | 2020-03-19 |
| 公开（公告）号： | CN111401454A | 公开（公告）日： | 2020-07-10 |
| 发明（设计）人： | 张发恩;宋亮 | 申请（专利权）人： | 创新奇智（重庆）科技有限公司 |
| 主分类号： | G06K9/62 | 分类号： | G06K9/62;G06N3/04;G06N3/08 |
| 代理公司： | 广州鼎贤知识产权代理有限公司 44502 | 代理人： | 刘莉梅 |
| 地址： | 400039 重庆市九龙坡区*** | 国省代码： | 重庆;50 |
| 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 基于 迁移 学习 样本 目标 识别 方法 | ||
1.一种基于迁移学习的少样本目标识别方法，其特征在于，包括如下步骤：
步骤S1，确定一源域模型作为目标域初始模型；
步骤S2，所述目标域初始模型对输入的源域数据D1和目标域数据D2进行预测，得到关联所述源域数据D1的特征向量F1和关联所述目标域数据D2的特征向量F2；
步骤S3，所述目标域初始模型分别对所述特征向量F1和所述特征向量F2进行分类，得到一分类结果；
步骤S4，基于所述分类结果与真实分类结果间的差异，确定所述目标域初始模型的损失函数L；
步骤S5，基于所述损失函数L，并通过优化算法对所述目标域初始模型进行模型优化；
步骤S6，重复所述步骤S2～S5，对所述目标域初始模型进行迭代更新，最终训练形成一目标域模型。
2.如权利要求1所述的少样本目标识别方法，其特征在于，所述步骤S4中，所述损失函数L包括第一损失函数L1和第二损失函数L2，所述第一损失函数L1为所述目标域初始模型对所述特征向量F1作出的预测类别P1与所述特征向量F1对应的真实类别Y1的交叉熵；
所述第二损失函数L2为所述目标域初始模型对所述特征向量F2作出的预测类别P2与所述特征向量F2对应的真实类别Y2的交叉熵。
3.如权利要求2所述的少样本目标识别方法，其特征在于，所述步骤S4中，所述损失函数L包括第三损失函数L3，所述第三损失函数L3为针对所述特征向量F1和所述特征向量F2间的距离所计算的距离值。
4.如权利要求3所述的少样本目标识别方法，其特征在于，所述距离为欧氏距离。
5.如权利要求1所述的少样本目标识别方法，其特征在于，所述步骤S5中，通过SGD随机梯度下降优化算法对所述目标域初始模型进行模型优化。
6.如权利要求1所述的少样本目标识别方法，其特征在于，所述源域模型包括ResNet50和ResNet101预训练模型。
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创新奇智（重庆）科技有限公司，未经创新奇智（重庆）科技有限公司许可，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/202010195836.7/1.html，转载请声明来源钻瓜专利网。
