一种基于类增量学习的图像分类方法及系统技术方案

本发明专利技术属于图像分类技术领域，提供了一种基于类增量学习的图像分类方法及系统，包括：将待分类图像输入训练好的图像分类模型，得到待分类图像的类别；其中，图像分类模型包括图像特征提取器、文本特征提取器以及设置于所述图像特征提取器之后的线性适配器；在训练过程中，保持图像特征提取器和文本特征提取器不变；且，每次训练任务中，对线性适配器的参数进行更新后，计算更新后的参数与未更新的参数的差值的绝对值，并基于所述差值的绝对值，在更新后的参数与未更新的参数中进行选择，以更新线性适配器。实现了在保留先前任务的知识的同时，能够随着新图像数据学习新知识，将旧知识和新知识进行整合，提高了模型进行图像分类的准确性。准确性。准确性。

【技术实现步骤摘要】
一种基于类增量学习的图像分类方法及系统


[0001]本专利技术属于图像分类
，尤其涉及一种基于类增量学习的图像分类方法及系统。

技术介绍

[0002]本部分的陈述仅仅是提供了与本专利技术相关的
技术介绍
信息，不必然构成在先技术。
[0003]在图像分类中，大多数神经网络仅适用于静态环境下的情况，在这种情况下，它们只能被训练一次，并缺乏在动态变化的环境中自适应和更新的灵活性。持续学习的目标是使神经网络在新到达的数据存在的情况下进行训练。连续学习需要克服的关键问题是灾难性遗忘，即当网络整合解决新任务所需的知识时，会忘记解决以前任务所需的关键知识。类增量学习(CIL)是主要持续学习场景之一，其中学习任务由不相交的类别组成。类增量学习者必须在只有当前任务数据的情况下学习图像分类每个任务。
[0004]在类增量学习中，图像类别按照包含一个或多个类的一系列不相交的任务顺序呈现给学习者。CIL方法可以大致分为三类：基于正则化、基于架构和基于回放的策略。回放型CIL方法目前占据了最先进的位置，它们存储了来自先前任务的一小组样本(称为样例)。本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于类增量学习的图像分类方法，其特征在于，包括：获取待分类图像；将待分类图像输入训练好的图像分类模型，得到待分类图像的类别；其中，图像分类模型包括图像特征提取器、文本特征提取器以及设置于所述图像特征提取器之后的线性适配器；在训练过程中，保持图像特征提取器和文本特征提取器不变；且，每次训练任务中，对线性适配器的参数进行更新后，计算更新后的参数与未更新的参数的差值的绝对值，并基于所述差值的绝对值，在更新后的参数与未更新的参数中进行选择，以更新线性适配器。2.根据权利要求1所述的一种基于类增量学习的图像分类方法，其特征在于，若所述差值的绝对值为超过动态阈值，则选择更新后的参数；否则，选择未更新的参数。3.根据权利要求1所述的一种基于类增量学习的图像分类方法，其特征在于，所述线性适配器采用自注意力机制，对图像特征提取器的输出应用三个单独的线性变换，得到查询、键和值后，使用查询和键之间的点积，计算自注意权重，并使用注意力权重计算值矩阵的加权和，得到适应图像特征。4.根据权利要求3所述的一种基于类增量学习的图像分类方法，其特征在于，在所述适应图像特征和文本特征提取器输出的文本特征之间执行矩阵乘法，计算对数几率，并使用交叉熵损失来更新线性适配器的参数。5.根据权利要求1所述的一种基于类增量学习的图像分类方法，其特征在于，所述图像特征提取器包括依次连接的输入层、卷积层、标准化层、包含若干个残差注意力网络的变换神经网络和线性层。...

【专利技术属性】
技术研发人员：刘夏雷，曹续生，程明明，
申请(专利权)人：南开大学，
类型：发明
国别省市：