[发明专利]一种基于变分自编码器的图像增量学习方法

摘要

一种基于变分自编码器的图像增量学习方法，包括以下步骤：1)构造以AlexNet网络层结构为原型的编码层，引入采样层和输出层；2)构建以上采样层和卷积层为基础的解码器，并且添加BacthNorm层；3)将编码器和解码器作为一个端到端的整体在数据集上进行训练；4)独立出编码器的分类层和解码器作为旧类别数据的生成器，并联合新增数据进行增量学习。本发明使得对抗扰动的生成不再受限于实际中众多环境因素的影响，具有较高的实用价值。

主权项

1.一种基于变分自编码器的图像增量学习方法，其特征在于，所述方法包括如下步骤：S1：构造以AlexNet网络层结构为原型的编码层，在编码层之后添加采样层，采样层是由高斯分布的均值层和方差层采样构成，在采样层之后添加输出层，输出层为所有增量类别数目的全连接层，在输出层之后，添加softmax层用于输出预测的类别；S2：之后构建解码器，用于生成对应类别的图像，首先，在softmax层之后添加两层全连接层，用于融合提取的高阶特征；接着，采用上采样层能够还原特征，代替编码层中的下采样层；然后，在上采样层之后添加卷积层，用于提取上采样后的有效信息；最后，添加BacthNorm层，加快训练期间解码器模型的收敛速度以及防止过拟合；S3：将编码器和解码器作为一个整体在baseline上进行训练，训练的目标函数为：编码器分类层的交叉熵函数，编码器采样层的KL相对熵函数以及解码器输出层和编码器输入层的均方差函数，训练优化器采用Adam优化器，采用自适应下降的学习率在baseline的数据集上训练200个epoch；S4：独立出编码器的分类层和解码器作为生成器，采用高斯分布，随机激活分类层中某一个已训练类别的神经元，并利用解码器生成旧类别的数据，记为数据集O；结合新增数据集，记为数据集N；联合数据集O和N，重复S3步骤，训练一个端到端的改进的变分自编码器，直到训练完所有的增量任务为止。