[发明专利]一种持续自监督学习的图像分类方法

权利要求书

1.一种持续自监督学习的图像分类方法，其特征在于，对包括以下步骤：

第1步：初始化特征提取网络，采用损失函数对第一图像数据流的自监督对比学习进行约束，完成特征提取网络的初始训练；

其中，cos为余弦相似度，h为预测头，f_θ为当前特征提取网络，和分别两个不同的增广策略，x为输入图像样本；特征提取网络输出成对特征z₁和z₂；第一图像数据流为输入的图像样本；训练后的图像数据流作为已训练图像数据流；

第2步：利用判别器来推断数据流中每个样本的增广稳定性得分，根据增广稳定性得分对已训练图像数据流的增广稳定性进行从大到小排序；

第3步：根据排序在前的样本选择为重演样本；

第4步：通过丢弃重演存储器中各任务的增广稳定性排序位于中间的重演样本，再存入最新的重演样本以完成重演存储器的更新；

第5步：采用对比连续性损失再结合损失函数对当前图像数据流自监督对比学习进行约束，完成当前特征提取网络的训练；

，

其中，t为当前图像数据流序号，τ为图像数据流序号τ＝1,...,t-1，D_t表示t个图像数据流，为特征提取网络的过去状态，为重演样本，β为超参数；

第6步：如果已训练图像数据流是最后一个图像数据流，再进行分类层训练以完成图像分类模型训练；否则执行第2步。

2.如权利要求1所述方法，其特征在于，每个样本的增广稳定性得分为：p(y＝'0'|x)＝p_D(y＝'0'|(z₁,z₂))，其中，y为判定类别，'0'为增广稳定类型，'1'为增广不稳定类型，p(y＝'0'|x)代表输入样本x的增广稳定的概率，即增广稳定性得分，p_D(y＝'0'|(z₁,z₂))代表输入成对特征z₁和z₂被判别器D判别为'0'的概率。

3.如权利要求1所述方法，其特征在于，分类层训练的具体步骤为：

第7步：为训练完的特征提取网络添加一个线性分类层；

第8步：使用目标图像数据集对线性分类层进行微调，完成图像分类训练任务。

4.如权利要求1所述方法，其特征在于，第5步中，从t个图像数据流D_t采样一个子集来替代当前图像数据流来进行对当前特征提取网络的训练，子集中的样本个数与重演样本中样本个数相同，