一种基于知识共享的目标识别单元训练方法技术

本发明专利技术公开了一种基于知识共享的目标识别单元训练方法，涉及目标识别领域，用于兼顾深度神经网络模型训练效率和性能。本发明专利技术在初始阶段由目标识别单元从共享知识库下载深度神经网络模型并压缩；在迭代阶段由目标识别单元对部分下沉的传感网络关联数据进行学习，并请求服务器对剩余部分数据进行学习；在结束阶段由服务器将两者训练的模型进行合并，并上传到共享知识库以供其他目标识别单元下载使用。本发明专利技术适用于需要多个目标识别单元协同作业场景的模型训练，通过目标识别单元之间共享已有模型，有效缩短单个目标识别单元的迭代周期、降低模型训练时延，同时减小有效信息量损耗，提高模型的性能。

【技术实现步骤摘要】

本专利技术涉及目标识别领域，尤其是一种基于知识共享的目标识别单元训练方法。

技术介绍

1、目标识别技术是计算机视觉领域的核心，通过分析图像或视频中的特征，实现了自动检测、识别和跟踪目标的功能。其不仅在安防、自动驾驶等领域具有重要应用，而且在医学影像、工业检测等领域也发挥着关键作用，推动了智能科技的发展。

2、目标识别技术通过计算机视觉和机器学习算法来实现对图像或视频中一定目标的检测、跟踪和分类。这项技术的核心在于能够使计算机自动识别图像中的特定目标，并对其属性进行正确的解释和处理。深度学习特别是卷积神经网络(cnn)的应用，极大地推动了目标识别技术的发展，使其识别精度和速度都得到了质的飞跃。

3、然而，目标识别技术的发展同时面临着巨大的挑战。例如在处理复杂环境下的目标识别问题，如变化的光照、遮挡和背景干扰等，都可能影响识别的准确性。此外，大规模实时数据处理的需求也对现有技术提出了更高的要求。例如，在自动驾驶领域，对周围环境的快速精确识别是确保行车安全的关键。这些挑战都对模型的训练质量提出了更高的要求：既需要训练时间更短，还需要模型性本文档来自技高网...

【技术保护点】

1.一种基于知识共享的目标识别单元训练方法，其特征在于，包括：

2.如权利要求1所述的基于知识共享的目标识别单元训练方法，其特征在于，所述深度神经网络模型为“评价网络-行为网络”模型，其中评价网络包括主评价网络和目标评价网络su(t)和au(t)为输入，评价Q值为输出；行为网络包括主行为网络和目标行为网络su(t)为输入，au(t)为输出；其中，t表示时间步，su(t)表示局域感知数据或传感网络关联数据，au(t)表示目标识别单元基于su(t)生成的决策行为，νu和νu′分别表示主评价网络和目标评价网络的模型参数，ηu和ηu′分别表示主行为网络和目标行为网络的模型参数。...

【技术特征摘要】

1.一种基于知识共享的目标识别单元训练方法，其特征在于，包括：

2.如权利要求1所述的基于知识共享的目标识别单元训练方法，其特征在于，所述深度神经网络模型为“评价网络-行为网络”模型，其中评价网络包括主评价网络和目标评价网络su(t)和au(t)为输入，评价q值为输出；行为网络包括主行为网络和目标行为网络su(t)为输入，au(t)为输出；其中，t表示时间步，su(t)表示局域感知数据或传感网络关联数据，au(t)表示目标识别单元基于su(t)生成的决策行为，νu和νu′分别表示主评价网络和目标评价网络的模型参数，ηu和ηu′分别表示主行为网络和目标行为网络的模型参数。

3.如权利要求1所述的基于知识共享的目标识别单元训练方法，其特征在于，目标识别单元从知识共享库下载目标深度神经网络模型，包括：

4.如权利要求3所述的基于知识共享的目标识别单元训练方法，其特征在于，所述对下载的深度神经网络模型进行模型压缩，包括：

5.如权利要求4所述的基于知识共享的目标识别单元训练方法，其特征在于，初始阶段还包括：对初始阶段的整体时延和目标识别单元所获得的有效信息量进行评估，以最小化初始阶段的整体时延和最大化初始阶段目标识别单元所获得的有效信息量为目标，对初始阶段进行优...

【专利技术属性】
技术研发人员：周雨晨，蒋文杰，贺冰涛，杨龙，陈健，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：