[发明专利]一种基于自适应模型不可知元学习的小样本目标识别方法

权利要求书

1.一种基于自适应模型不可知元学习的小样本目标识别方法，包括：

步骤S101：初始化基于自适应模型不可知元学习的小样本目标识别模型参数；

步骤S201：使用元学习方法对任务具体参数进行迭代更新；

步骤S301：利用合成梯度方向优化小样本识别模型。

2.如权利要求1所述的一种基于自适应模型不可知元学习的小样本目标识别方法，其特征在于，所述步骤S101包括：

对基于自适应不可知元学习的小样本识别模型参数进行初始化，参数包括：元模型参数θ、内层循环学习率α、外层元循环学习率β、内层循环超梯度步长α₀和外层元循环超梯度步长β₀。

3.如权利要求1所述的一种基于自适应模型不可知元学习的小样本目标识别方法，其特征在于，所述步骤S201包括：

子步骤S201a：根据辅助数据集划分元学习任务；

子步骤S201b：将划分好的元学习任务输入基于自适应模型不可知元学习的小样本识别模型；

子步骤S201c：根据随机梯度下降算法更新任务具体参数。

4.如权利要求1所述的一种基于自适应模型不可知元学习的小样本目标识别方法，其特征在于，所述子步骤S201a：根据辅助数据集划分元学习任务，具体包括：

按照N-类、K-样本格式划分若干小样本学习任务。默认选择5-类、3-样本格式进行说明，5-类、3-样本是指从辅助数据集中采样出5类，每类4个样本，并将其分割为支持集和查询集，支持集包含5类，每类3个样本，查询集包含5类中每类剩余的1个样本，模型在支持集上对每个任务进行训练，在查询集上验证训练精度。

5.如权利要求1所述的一种基于自适应模型不可知元学习的小样本目标识别方法，其特征在于，所述子步骤S201c：根据划分好的元学习任务，使用随机梯度下降算法更新任务具体参数，更新任务具体参数的表达式为：

其中，表示元学习任务i的第j步小样本学习任务具体参数；α_t表示第t次迭代的内层循环学习率；表示连续函数的梯度运算；L_i表示评估元学习任务i的损失函数，k为小样本学习任务数量。

6.如权利要求1所述的一种基于自适应模型不可知元学习的小样本目标识别方法，其特征在于，所述步骤S301包括：

子步骤S301a：根据任务具体参数和元学习模块更新平均梯度方向；

子步骤S301b：根据任务具体参数和元学习模块更新内层循环学习率；

子步骤S301c：根据任务具体参数和元学习模块更新外层元学习率。

7.如权利要求1所述的一种基于自适应模型不可知元学习的小样本目标识别方法，其特征在于，所述子步骤S301a：根据任务具体参数和元学习模块更新平均梯度方向，采用一阶近似梯度技术更新平均梯度方向，具体表达式为：

其中，θ_t表示第t次迭代的元学习参数；β_t-1表示第t次迭代的外层元学习率；表示元学习任务i的第k步小样本学习任务具体参数。

8.如权利要求1所述的一种基于自适应模型不可知元学习的小样本目标识别方法，其特征在于，所述子步骤S301b：根据任务具体参数和元学习模块更新内层循环学习率；所述更新内层循环学习率的表达式为：

其中，α_t表示第t次迭代的内层循环学习率；α₀表示内层循环超梯度步长；表示元学习任务i的第j步小样本学习任务具体参数；表示连续函数的梯度运算；L_i表示评估元学习任务i的损失函数。

9.如权利要求1所述的一种基于自适应模型不可知元学习的小样本目标识别方法，其特征在于，所述子步骤S301c：根据任务具体参数和元学习模块更新外层元学习率；更新外层元学习率的表达式为：

其中，θ_t表示第t次迭代的元学习参数；β_t表示第t次迭代的外层元学习率；β₀表示外层元循环超梯度步长；表示元学习任务i的第k步小样本学习任务具体参数。