【技术实现步骤摘要】
一种面向目标识别的多阶段训练方法
本专利技术涉及目标识别的训练方法、图像识别、人工智能领域，尤其涉及一种面向目标识别的多阶段训练方法。
技术介绍
在目标识别领域中，模型依靠不断扩大的数据集取得越来越好的性能，但在训练的过程中，大部分模型并没有考虑样本的特性和模型从样本中获取特征的难易程度，并且是随机、平等地载入图片给模型进行训练，没有对样本进行针对性的训练，对于数据集中的样本来说，每个样本的特征信息量都是不一样的，模型从样本中学习这些特征信息所需的时间也是不一样的，而样本与样本间的特征信息总会存在一定的关联性，大部分模型其实并没有考虑到它们之间的关联性，无序性学习使模型在一定程度上无法把握样本的特征信息和样本间的关联性，模型在整个学习过程中不能从样本中学习到足够多有用的特征信息，这些问题都在一定程度上影响模型最终的性能。
技术实现思路
为解决现有技术中存在的上述问题，本专利技术提供一种面向目标识别的多阶段训练方法。该方法通过多阶段的模式对模型进行训练，将样本的特征信息作为训练依据，每个阶段都采用具有不同特...
【技术保护点】
1.一种面向目标识别的多阶段训练方法，该训练方法在传统训练方法的基础上进行优化，其特征在于该训练方法在训练过程中重新整合所采用的数据集，形成各具特性的新数据集，并将整个单一训练过程拆分为多个训练阶段，该训练方法包括四个模块：/n数据集预处理模块，对所采用的数据集进行预处理，其预处理的主要内容是收集每个数据样本的基本特征，数据样本的基本特征包括样本上每个目标的面积、样本上目标的数量、样本上目标的大小以及样本上目标的种类；/n数据集分类模块，根据数据集预处理模块统计的基本特征，对数据集进行分类，将符合设定阈值内的样本归为同一类，其分类的标准包括样本上的目标面积均值、样本上的目标...
【技术特征摘要】
1.一种面向目标识别的多阶段训练方法，该训练方法在传统训练方法的基础上进行优化，其特征在于该训练方法在训练过程中重新整合所采用的数据集，形成各具特性的新数据集，并将整个单一训练过程拆分为多个训练阶段，该训练方法包括四个模块：
数据集预处理模块，对所采用的数据集进行预处理，其预处理的主要内容是收集每个数据样本的基本特征，数据样本的基本特征包括样本上每个目标的面积、样本上目标的数量、样本上目标的大小以及样本上目标的种类；
数据集分类模块，根据数据集预处理模块统计的基本特征，对数据集进行分类，将符合设定阈值内的样本归为同一类，其分类的标准包括样本上的目标面积均值、样本上的目标数量，样本上目标的大小或者样本上目标的种类；
数据集整合模块，用于将分好类的数据子集进行重新整合成新的数据集，在重新整合的过程中，每个数据子集分别设置有权重参数，其中i为数据子集的序号，通过设定的权重参数来调节对应的数据子集在整个数据集的比重，使每个阶段的训练对数据集都有不同的针对性；
数据集载入模块，用于把整合好的新数据集载入到各个阶段中进行训练，在载入前会对数据集进行扩充，其扩充的主要方法是对识别的目标进行随机掩盖，每掩盖一次目标生成就生成一个新的样本，并且分配新的标签。
2.根据权利要求1所述的面向目标识别的多阶段训练方法，其特征在于包括以下步骤：
步骤一、对采用的数据集进行预处理；
步骤二、根据预处理的结果对数据集进行分类；
步骤三、对分类好的数据子集按不同的比例重新混合形成新的数据集；
步骤四、把训练模型的过程分成多个阶段，然后把新的数据集依次载入不同的阶段。
3.根据权利要求2所述的面向目标识别的多阶段训练方法，其特征在于步骤一的具体步骤如下：
对采用的数据集进行预处理，其预处理的主要内容是收集每个数据样本的基本特征，数据样本的基本特征包括样本上的每个目标的面积、样本上的目标数量、样本上目标的大小和样本上目标的种类。
4.根据权利要求3所述的面向目标识别的多阶段训练方法，其特征在于步骤二根据预处理的结果进行分类，分类的标准包括样本上的目标面积均值、样本上的目标数量、样本上目标的大小或者样本上目标的种类，通过预先的分类将数据集分成多个具有特定特征的...
【专利技术属性】
技术研发人员：于效宇，李富超，刘艳，陈颖璐，
申请(专利权)人：电子科技大学中山学院，
类型：发明
国别省市：广东;44
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。