【技术实现步骤摘要】
一种蒸馏式竞争学习的目标分类系统和方法
[0001]本专利技术属于信号与信息处理领域
,具体涉及一种目标分类系统和方法。
技术介绍
[0002]目标分类是诸多领域,如计算机视觉、自然语音处理等,最基础和最重要的研究方向之一。在民事上,其广泛应用于自动驾驶、安防、医学等领域。在军事上,其广泛应用于目标侦查、精确制导、远程监视等领域。近年,随着高速运算硬件、大数据以及深度学习技术的快速发展,目标分类技术迈上了一个新台阶。基于深度学习的目标分类准确率大幅超过传统方法,并在多个数据集上达到了超越人类水平的识别性能。
[0003]然而,基于深度学习的目标分类仍面临以下问题:1)错误标注:深度学习依赖大量高质量的标注数据,很多领域的样本从搜索引擎或者开源数据集获取,这些数据存在标注质量不高,误标记较多的问题。
[0004]2)模糊类别:比如图像识别中,狮子和猫之间存在类别模糊的问题,使用传统的独热编码(one
‑
hot)标签学习可能导致模型过拟合,降低泛化性能。
[0005]3)人为知识:样本的独热编码标签是人为标记的,不能保证人为设计的标签最适合神经网络学习。
技术实现思路
[0006]本专利技术针对上述问题,提出一种蒸馏式竞争学习的目标分类系统和方法。包含两个神经网络,每个神经网络的预测结果与独热编码(one
‑
hot)标签进行加权平均作为新的标签知识,对另一个神经网络进行知识蒸馏,使得神经网络相互学习的同时,相互竞争实现比对方更优的结果。不让 ...
【技术保护点】
【技术特征摘要】
1.一种蒸馏式竞争学习的目标分类系统,其特征在于:该系统包括输入模块、神经网络1、神经网络2、第一softmax模块、第一加权平均模块、loss1模块、第二softmax模块、第二加权平均模块、loss2模块、独热编码模块;样本经输入模块分别进入神经网络1、神经网络2,神经网络1的输出送至第一softmax模块,第一softmax模块的输出一路送至第一加权平均模块、一路送至loss1模块,神经网络2的输出送至第二softmax模块,第二softmax模块的输出一路送至第二加权平均模块、一路送至loss2模块,独热编码模块的输出分别送至第一加权平均模块、第二加权平均模块,第一加权平均模块的输出送至loss2模块,第二加权平均模块的输出送至loss1模块。2.一种蒸馏式竞争学习的目标分类方法,其特征在于,该方法步骤如下:步骤1、网络模型设计:设计或选择两个神经网络模型;步骤2、损失函数设计:设计蒸馏式竞争损失函数;步骤3、预训练:前若干训练周期,利用独热编码训练神经网络,使神经网络快速收敛;步骤4、新标签获取:首先,将当前批次样本送入两个神经网络得到两种预测结果;然后,将两种预测结果分别与独热编码标签加权平均,得到两个神经网络的新标签;步骤5、训练:利用当前批次获取的新标签和损失函数对神经网络模型进行训练;步骤6、迭代训练:重复步骤4
‑
步骤5,直到训练结束;步骤7、测试:利用训练好的神经网络对测试样本进行测试。3.根据权利要求2所述的方法,其特征在于,步骤1具体为:两个神经网络相互竞争学习,每次迭代训练后,试图让自己的预测结果比对方更接近样本标签;神经网络1和神经网络2均采用ResNet50;分别在cifar
‑
10和cifar
‑
100数据集上验证方法效果。4.根据权利要求2所述的方法,其特征在于,步骤2具体为:蒸馏式竞争损失函数采用交叉熵损失函数,不同之处在于神经网络的标签和的构建;神经网络1和神经网络2的损失函数分别为:
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)其中,...
【专利技术属性】
技术研发人员:郭杰,谢聪,庄龙,
申请(专利权)人:中国电子科技集团公司第十四研究所,
类型:发明
国别省市:
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。