基于模仿学习的小样本目标分类方法及装置制造方法及图纸

本发明专利技术提供一种基于模仿学习的小样本目标分类方法及装置，方法包括：获取待分类样本；将待分类样本输入目标分类模型，获取所述目标分类模型输出的分类结果；其中，所述目标分类模型是根据基类任务样本集模仿学习得到的预训练参数、网络调优参数以及目标任务样本集进行训练得到的。通过任务模仿学习和样本模仿学习，提升了模型参数的精度，从而提升了小样本分类的稳定性、准确率和泛化性，提高了小样本条件下分类模型的效果。条件下分类模型的效果。条件下分类模型的效果。

【技术实现步骤摘要】
基于模仿学习的小样本目标分类方法及装置


[0001]本专利技术涉及机器学习
，尤其涉及一种基于模仿学习的小样本目标分类方法及装置。

技术介绍

[0002]随着机器学习技术的发展，机器学习几乎遍布到了各个应用领域。但是在某些领域中，往往存在样本获取困难的问题，需要以少量样本或小样本为基础进行分类模型的网络训练。例如，在军事目标识别领域，关注的大多数军事目标数量有限，且通常归属敌方体系，获取其在典型场景下的样本非常困难。在零件缺陷识别领域，高端零件的合格率通常很高，缺陷零件数量很少且缺陷类型复杂多样，造成每种缺陷类型的样本极其稀少。在细粒度目标识别领域，随着目标类别的不断细化，属于每一个细分类别的样本数量逐渐减少，准确标注的难度也越来越大等等。
[0003]现有技术中基于小样本训练的机器学习分类方法存在分类效果差的问题，对应的分类模型在稳定性、准确率和泛化性等方面也存在相当的缺陷。

技术实现思路

[0004]本专利技术提供一种基于模仿学习的小样本目标分类方法及装置，用以解决现有技术中基于小样本训练的机器学习分类方法分类本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于模仿学习的小样本目标分类方法，其特征在于，包括：获取待分类样本；将待分类样本输入目标分类模型，获取所述目标分类模型输出的分类结果；其中，所述目标分类模型是根据基类任务样本集模仿学习得到的预训练参数、网络调优参数以及目标任务样本集进行训练得到的。2.根据权利要求1所述的基于模仿学习的小样本目标分类方法，其特征在于，所述目标分类模型是根据基类任务样本集模仿学习得到的预训练参数、网络调优参数以及目标任务样本集进行训练得到的，包括：获取所述基类任务样本集、所述目标任务样本集和所述分类模型；根据所述基类任务样本集，对所述目标任务样本集的任务数进行模仿学习并训练所述分类模型，获得预训练分类模型和预训练模型参数；根据所述基类任务样本集，对所述目标任务样本集的任务数和样本数进行模仿学习并训练所述预训练分类模型，获得网络调优参数；根据所述目标任务样本集、所述预训练参数和所述网络调优参数，对所述分类模型进行训练，获得所述目标分类模型。3.根据权利要求2所述的基于模仿学习的小样本目标分类方法，其特征在于，所述对所述目标任务样本集的任务数进行模仿学习并训练所述分类模型，获得预训练分类模型和预训练模型参数，包括：随机初始化所述分类模型的网络参数；根据所述目标任务样本集的任务数对所述基类任务样本集进行相等任务数的多次随机采样，获得多个子任务样本集；根据当前子任务样本集训练所述分类模型，获得当前子任务样本集对应的模型参数，根据所述当前子任务样本集对应的模型参数和动量更新法则，更新所述分类模型的网络参数；将下一个子任务样本集更新为当前子任务样本集训练所述更新网络参数后的分类模型，直至所有子任务样本集均训练完成，获得预训练分类模型和预训练模型参数。4.根据权利要求3所述的基于模仿学习的小样本目标分类方法，其特征在于，所述根据当前子任务样本集训练所述分类模型，获得当前子任务样本集的模型参数，根据所述当前子任务样本集的模型参数和动量更新法则，更新所述分类模型的网络参数，包括：根据当前子任务样本集训练所述分类模型，获得当前子任务样本集的模型参数；其中，若所述当前子任务样本集为第一个，则利用当前子任务样本集对应的模型参数更新所述分类模型的网络参数；若所述当前子任务样本集不是第一个，则...

【专利技术属性】
技术研发人员：李书晓，朱承飞，
申请(专利权)人：中国科学院自动化研究所，
类型：发明
国别省市：