一种基于持续学习的多类别多尺度目标拣选方法及装置制造方法及图纸

本发明专利技术公开了一种基于持续学习的多类别多尺度目标拣选方法及装置，通过生成对抗网络实现新旧任务特征的隐藏空间表示，从而建立知识记忆存储仓库，使用自适应知识迁移调度模块实现多任务拣选的快速切换，加速新任务的训练过程，结合正则化技术量化模型参数的重要程度，防止关键参数在训练过程中被覆盖。将数据重放框架用于智能零件拣选系统，能够克服在多类型多尺度目标拣选模型持续学习过程中出现的功能灾难性遗忘问题，确保拣选模型功能的完整性，实现目标与场景可以动态变化的持续性学习，帮助系统协调高效地解决多任务拣选问题。

【技术实现步骤摘要】
一种基于持续学习的多类别多尺度目标拣选方法及装置
本专利技术属于机器学习
，具体涉及一种多类别多尺度目标拣选方法及装置。
技术介绍
目标拣选模型是智能制造与柔性制造发展的核心技术，实现工业加工、检测和装配的无人化生产，在机械加工、汽车制造、仓储物流和3C等领域有广阔的应用前景。目前智能视觉零件拣选系统在拣选多类别多尺度目标，尤其是连续动态训练新的拣选对象时，模型参数容易被新的学习过程大面积覆盖，拣选系统会出现对已有功能的灾难性遗忘问题，导致系统工作效率大幅降低，并且对系统原有功能造成破坏，同时新的系统任务又难以有效学习。
技术实现思路
本专利技术为了解决现有技术中的问题，提出了一种基于持续学习的多类别多尺度目标拣选方法及装置，采用先进的持续学习技术来解决现有智能拣选系统在应对多种类别、多种尺度的目标时，无法自适应地对已有拣选学习系统的有效调度和对新任务的高效学习问题。为了达到上述目的，本专利技术的实施例提供了一种基于持续学习的多类别多尺度目标拣选方法，包括：获取与新任务相似类型的知识先验；...

【技术保护点】
1.一种基于持续学习的多类别多尺度目标拣选方法，其特征在于，所述方法包括：/n所述获取与新任务相似类型的知识先验；/n根据生成模型获得所述新任务和所述知识先验的全局特征数据；/n根据所述全局特征数据训练正则化拣选模型；/n其中，在拣选模型训练的同时，采用进化算法和神经网络架构搜索实现模型训练过程中结构自适应扩张。/n

【技术特征摘要】
1.一种基于持续学习的多类别多尺度目标拣选方法，其特征在于，所述方法包括：
所述获取与新任务相似类型的知识先验；
根据生成模型获得所述新任务和所述知识先验的全局特征数据；
根据所述全局特征数据训练正则化拣选模型；
其中，在拣选模型训练的同时，采用进化算法和神经网络架构搜索实现模型训练过程中结构自适应扩张。


2.根据权利要求1所述的方法，其特征在于：所述新任务通过数据重现模块中的记忆协调器获取相似类型的知识先验。


3.根据权利要求2所述的方法，其特征在于：所述数据重新模块利用生成模型对输入数据的编码表示能力来构建高效的知识记忆存储功能，根据生成模型对全局数据的隐空间特征表示。


4.根据权利要求3所述的方法，其特征在于：所述数据重现模块的损失函数J1定义为：



其中，θi为旧有模型参数，(x′i；θi)为新任务x′i的拣选决策，yi为真实决策，L1为以拣选决策与真实决策的误差计算的新任务训练损失函数，Lj为训练过程中模型对旧任务x′j的记忆存储误差。


5.根据权利要求3所述的方法，其特征在于：正则化加权约束项J2通过费希尔信息矩阵Fj为模型参数加权，限制梯度和层间通路的大幅变化；正则化加权约束项J2为：
<...

【专利技术属性】
技术研发人员：张正，赵书光，卢光明，
申请(专利权)人：哈尔滨工业大学深圳，
类型：发明
国别省市：广东;44