【技术实现步骤摘要】
基于泛化特征表示和自适应蒸馏的类增量图像识别方法
[0001]本专利技术属于图像处理
,具体涉及一种基于泛化特征表示和自适应蒸馏的类增量图像识别方法。
技术介绍
[0002]传统的深度学习方法遵循“一次训练”的策略,即一次性收集所有目标类别的数据来进行训练。这种范式的深度学习方法在很多领域应用取得了优异的结果,但是在大多数的现实场景中,“一次训练”通常是不可行的。这些现实场景很难一次性获得所有的目标类别数据,因此要求模型可以处理连续到来的数据流,即不断地学习新的类别。
[0003]现有类增量学习方法通常在模型学习新类别时施加约束,以减缓旧类别的遗忘。然而这种方法在学习新类别时通常会造成旧类别精度的大幅下降。另外一种方法是为新类别分配未使用的参数或者增加部分网络结构。然而此类方法造成模型的参数量不断增加,导致更大的计算开销。
技术实现思路
[0004]本专利技术的内容是提供一种基于泛化特征表示和自适应蒸馏的类增量学习方法,其能够克服现有技术的某种或某些缺陷。
[0005]本专利技术的基于泛化特征表示和自适应蒸馏的类增量图像识别方法,其包括以下步骤:
[0006]步骤1:构建用于图像识别的深度学习网络,所述深度学习网络依次包括特征提取网络、泛化特征表示正则模块和分类器;
[0007]特征提取网络用于获取输入图像的特征图;
[0008]泛化特征表示正则模块包括三个不同尺度的池化层,对于特征提取网络提取的特征图,通过泛化特征表示正则模块将其池化处理到不同尺度后,再 ...
【技术保护点】
【技术特征摘要】
1.基于泛化特征表示和自适应蒸馏的类增量图像识别方法,其特征在于,包括下列步骤:步骤1:构建用于图像识别的深度学习网络,所述深度学习网络依次包括特征提取网络、泛化特征表示正则模块和分类器;特征提取网络用于获取输入图像的特征图;泛化特征表示正则模块包括三个不同尺度的池化层,对于特征提取网络提取的特征图,通过泛化特征表示正则模块将其池化处理到不同尺度后,再拉直为向量并拼接,再将拼接成的向量输入分类器;分类器用于对指定的目标类别进行分类输出;基于构建的深度学习网络学习第一批目标类别;步骤2:学习第t批目标类别时,采用的损失函数为:L=L
cls
(Φ
t
,x,y)+r
y
L
dis
(Φ
t
,Φ
t
‑1,x)其中,L
cls
()表示分类损失函数,L
dis
()表示蒸馏损失函数,Φ
t
和Φ
t
‑1分别代表学习第t批和t
‑
1批目标类别时的深度学习网络,x表示输入深度学习网络的其中的一张图片,y表示图片x的标签,r
y
表示类别y的蒸馏强度,t的初始值为2,且t>1;步骤3:令t自增1,继续执行步骤2,循环此过程直到学习完所有类别,基于学习后的深度学习网络获取目标图像的图像识别结果。2.如权利要求1所述的方法,其特征在于,蒸馏强度由自适应蒸馏算法动态调整的方式为:(a)判断目标的批次,若为第二批,则执行步骤(b),否则执行步骤(c);(b)将所有旧类别的新蒸馏强度R
new
=[r
n1
,r
n2
…
,r
ni
…
,r<...
【专利技术属性】
技术研发人员:许林峰,王志川,邱子欢,吴庆波,潘力立,孟凡满,李宏亮,
申请(专利权)人:电子科技大学,
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。