[发明专利]一种基于小样本增量学习的轻量化目标识别方法

说明书

本发明公开了一种基于小样本增量学习的轻量化目标识别方法，包括对原始数据集中的图像数据进行预处理，使得原始数据集中的图像调整至设定的尺寸。本基于小样本增量学习的轻量化目标识别方法利用新增的增量学习模块，实现在保持原类型任务识别精度并提升网络模型在新增的类别任务中的识别精度，解决了现有技术中在新类型的任务中达不到较高的识别精度或原任务类型的精度不高的问题；本基于小样本增量学习的轻量化目标识别方法利用模型剪枝与量化的方式，实现了保持模型精度的条件下，大幅压缩模型体积，实现轻量化部署；并对在新的小样本的数据增广，能够利用较少的样本量进行增量学习的训练。

技术领域

本发明属于目标识别领域，具体涉及一种基于小样本增量学习的轻量化目标识别方法。

背景技术

目标检测与识别技术以及广泛应用于人类社会，部分场景下的目标识别算法准确率也已提升至饱和状态，在交通、物流和安防等方面，基于嵌入式平台的目标监测与识别技术愈发受到重视。同时，随着目标的种类增加，目标识别模型逐步增加识别类别的能力即增量学习也越发重要。

现有的小样本增量学习的技术可以大致分为两种：一种是利用特征提取的方式，将网络中的部分卷积神经网络视为特征提取网络，当有新的类别出现时，在已有的特征提取网络后添加新的分类器或检测器，这种方式保留了原类型任务的网络参数，能够保存原类型任务的识别能力，但由于特征提取器并未针对新类别进行优化，在新类型的任务中达不到较高的识别精度。另一种是利用知识蒸馏的方式，通过设计学生网络以及蒸馏过程中的损失函数，能够保持在原类型的任务中学生网络与原网络的输出结果相似，并通过在新类别任务中设计新的损失函数，调整网络结构使得网络能够适应新的数据，这种方式在一定程度上修改了针对原类型任务的参数，虽然能够在新的类型任务中达到较高的精度，但对原类型任务的识别精度上会有影响。

发明内容

本发明的目的在于针对解决背景技术中提出的问题，提出一种基于小样本增量学习的轻量化目标识别方法。

为实现上述目的，本发明所采取的技术方案为：

本发明提出的一种基于小样本增量学习的轻量化目标识别方法，包括对原始数据集中的图像数据进行预处理，使得原始数据集中的图像调整至设定的尺寸。

构建目标识别网络模型，利用预处理后的原始数据集训练目标识别网络模型直至对应的损失函数收敛，并保存训练好的目标识别网络模型的权重参数。

增加新的小样本数据集，并进行预处理，使得新的小样本数据集中的图像调整至设定的尺寸。

在目标识别网络模型的特征空间添加增量学习模块，构建增量学习目标识别网络模型，并将目标识别网络模型的权重参数加载至增量学习目标识别网络模型中，且随机初始化增量学习模块的参数。

使用预处理后新的小样本数据集训练增量学习模块直至对应的损失函数收敛，并保存训练好的增量学习目标识别网络模型的全部参数。

对训练好的增量学习目标识别网络模型进行稀疏训练，并采用剪枝与量化压缩模型尺寸，保存压缩后的增量学习目标识别网络模型的权重参数。

最后利用压缩后的增量学习目标识别网络模型对目标进行识别。

优选地，对原始数据集和新的小样本数据集进行预处理时，使用双线性插值算法将图像大小放缩到固定分辨率。

优选地，目标识别网络模型的损失函数和增量学习模块的损失函数均包括框回归损失、分类损失和置信度损失：

loss_{obj_det}＝loss_iou+loss_cls+loss_conf