迁移学习中卷积神经网络模型选择方法技术

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。本发明专利技术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。本发明专利技术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。

【技术实现步骤摘要】
迁移学习中卷积神经网络模型选择方法
本专利技术涉及机器学习中的迁移学习，具体是一种卷积神经网络模型选取的方法。
技术介绍
迁移学习(TransferLearning，TL)利用其他领域已有的训练模型对本领域任务进行处理。当前，各个行业都开始使用迁移学习解决问题，例如生物医学领域，HaijunLeietal通过迁移学习对Hep-2细胞进行了识别；在运输领域，JavadAbbasiAghamalekietal通过迁移学习对含有噪声的地面交通工具图片进行识别；在公安领域，ChristianGaleaetal等人通过迁移学习匹配犯罪嫌疑人及其相关的人物画像。但目前已有的深度学习网络模型丰富，在选取训练模型过程中容易出现混乱，不利于快速、高效地完成任务目标。因此，针对不同的任务目标选取相对应的网络模型，对于快速、高效地完成任务目标具有重要的现实意义和应用价值。卷积神经网络(Convolutionneuralnetwork，CNN)已广泛地应用在图像分类中，与传统方法比较具有更高的准确性。CNN是一种由多层处理单元构成的多级结构，主要包含卷积层、池化层以及非线性变换卷积层中具有很多卷积核，这些卷本文档来自技高网...

【技术保护点】
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。

【技术特征摘要】
1.一种迁移学习中卷积神经网络(ConvolutionalNeuralNetworks，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。2.根据权利要求1所述的方法，其特征在于，主要参考指标中的准确率是指在特定任务目标数据集下图片分类的正确概率；原训练集下的每兆参数准确率是指准确率与参数数量之比，每兆是指参数数量单位，准确率是指在原训练数据集下图片分类的正确概率；预测试模型选择是将已经在其他数据集上进行训练的多种CNN模型作为预测试模型的备选集，同时将准确率设置为在原训练数据集下图片分类的正确率，通过比较这些模型的每兆参数准确率，...

【专利技术属性】
技术研发人员：王秋然，柴聪聪，郭磊，张克乐，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：四川,51