[发明专利]迁移学习中卷积神经网络模型选择方法在审
| 申请号： | 201811396539.8 | 申请日： | 2018-11-21 |
| 公开（公告）号： | CN109409442A | 公开（公告）日： | 2019-03-01 |
| 发明（设计）人： | 王秋然;柴聪聪;郭磊;张克乐 | 申请（专利权）人： | 电子科技大学 |
| 主分类号： | G06K9/62 | 分类号： | G06K9/62;G06N3/04 |
| 代理公司： | 暂无信息 | 代理人： | 暂无信息 |
| 地址： | 611731 四川省成*** | 国省代码： | 四川;51 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | 迁移学习(Transfer Learning，TL)是利用其他领域已有的训练模型对本领域任务进行处理的方法，但已有网络模型过于丰富，在选取时中易出现混乱，不利于任务的完成。本发明提出了迁移学习中对卷积神经网络(Convolutional Neural Networks,CNN)模型选择的方法。主要步骤为：步骤一，设定任务目标及主要参考指标；步骤二，根据CNN模型在原训练集下的每兆参数准确率选择出预测试模型；步骤三，预测试模型在任务目标测试集下测试，得到每兆参数准确率，选择出预训练模型；步骤四，预训练模型微调，之后在任务目标训练集下训练；步骤五，预训练模型测试，观察是否符合预期目标。本发明可以广泛应用在图像分类处理领域，如低截获概率雷达(Low Probability Intercept，LPI)图像分类处理、医学疾病分类等。 | ||
| 搜索关键词： | 训练模型 任务目标 卷积神经网络 模型选择 图像分类 迁移 训练集 预测试 准确率 低截获概率 测试 参考指标 网络模型 医学疾病 预期目标 测试集 微调 学习 雷达 分类 观察 混乱 应用 | ||
【主权项】：
1.一种迁移学习中卷积神经网络(Convolutional Neural Networks，CNN)模型选择的方法，其特征在于，包括：设定任务目标及主要参考指标：准确率、参数数量等；根据CNN模型在原训练集下的每兆参数准确率对预测试模型进行初步选取；预测试模型在任务目标测试集下测试，得到每兆参数准确率，选择出预训练模型；预训练模型微调，之后在任务目标训练集下训练；预训练模型测试，观察是否符合预期目标。
下载完整专利技术内容需要扣除积分，VIP会员可以免费下载。
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电子科技大学，未经电子科技大学许可，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/patent/201811396539.8/，转载请声明来源钻瓜专利网。
