【技术实现步骤摘要】
本专利技术涉及元学习，特别涉及一种基于元学习的图像识别持续学习方法。
技术介绍
1、近年来深度学习在学术界、科技界应用广泛，尤其在图像领域，目前已经在图像分类领域取得较大进展，取得不错成效。深度学习能取得了巨大成功，最为关键的因素就是利用大量的数据去驱动模型训练，使其获得良好的测试效果。但是在实际应用中深度学习算法难以实施，因为深度学习训练需要大量的标记样本，但拥有大量数据样本毕竟是少数，大部分情况没有那么多标记样本；其次模型训练耗时，对于有些检测分类要求频繁变化的应用，每次更改一次检测要求，就需要重新训练大量样本，这大大增加了时间成本。
2、元学习(meta learning)是机器学习的子领域。传统的机器学习问题是基于海量数据集从头开始学习一个用于预测的数学模型，这与人类学习、积累历史经验指导新的机器学习任务的过程相差甚远。元学习则是学习不同的机器学习任务的学习训练过程，以及学习如何更快更好地训练一个数学模型。元学习可以在很少的样本上学习到如何快速适应新任务，因此非常适合少样本的情况。从少量数据中快速学习和适应的能力对于...
【技术保护点】
1.一种基于元学习的图像识别持续学习方法，其特征在于：基于迁移学习方式用实际使用场景图像的微调数据集训练预训练模型，得到微调模型，再调整微调模型架构得到few-shot模型；然后使用few-shot模型推理待预测图像，得到分类结果；再对分类结果进行人工矫正，将人工矫正的矫正数据和待预测图像加入所述微调数据集中，从而实现持续学习。
2.根据权利要求1所述的基于元学习的图像识别持续学习方法，其特征在于，通过如下步骤进行：
3.根据权利要求2所述的基于元学习的图像识别持续学习方法，其特征在于：所述预训练模型通过如下步骤获得：
4.根据权利...
【技术特征摘要】
1.一种基于元学习的图像识别持续学习方法，其特征在于：基于迁移学习方式用实际使用场景图像的微调数据集训练预训练模型，得到微调模型，再调整微调模型架构得到few-shot模型；然后使用few-shot模型推理待预测图像，得到分类结果；再对分类结果进行人工矫正，将人工矫正的矫正数据和待预测图像加入所述微调数据集中，从而实现持续学习。
2.根据权利要求1所述的基于元学习的图像识别持续学习方法，其特征在于，通过如下步骤进行：
3.根据权利要求2所述的基于元学习的图像识别持续学习方法，其特征在于：所述预训练模型通过如下步骤获得：
4.根据权利要求3所述的基于元学习的图像识别持续学习方法，其特征在于，所述s1通过如下步骤进行：
5.根据权利要求2所述的基于元学习的图像识别持续学习方法，其特征在于：所述s2具体是将所述...
【专利技术属性】
技术研发人员：李静，沈贤义，程东，
申请(专利权)人：广州华微明天软件技术有限公司，
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。