一种基于脉冲类脑模型的快速增量学习技术制造技术

一种基于脉冲类脑模型的快速增量学习技术，属于计算机视觉技术领域。本发明专利技术选用Yolov3‑tiny模型作为脉冲神经网络的SpikingYolov3的基础模型，并对Yolov3‑tiny进行适配性改进；采用IF神经元模型作为SpikingYolov3的神经元模型；采用基于网络扩张的方法对Yolov3‑tiny进行增量学习训练；将训练完毕的模型权重通过ANN转SNN的方法赋值给新构造的SpikingYolov3；采用泊松编码的方式对测试图像进行编码操作，使其转化为异步脉冲序列，并送入Spiking Yolov3模型中进行测试，并和对应的Yolov3‑tiny进行对比分析，得出SpikingYolov3模型的检测性能更优的结论。将SpikingYolov3应用到战场环境当中，实现对不同种类目标的精准检测。本发明专利技术解决了传统的网络模型在遇见新任务时需要重新训练等问题，为复杂目标的检测任务提供了新的解决方案。

【技术实现步骤摘要】

本专利技术属于计算机视觉，具体涉及一种基于脉冲类脑模型的快速增量学习技术。

技术介绍

1、随着计算机视觉的不断向前发展，深度学习和神经网络的应用已经遍及各行各业，并取得了许多标志性的成果。在该领域当中，涌现出许多优秀的算法模型，它们在检测速度、精度以及轻量化等方面都有着令人满意的表现。这些算法模型的共同特点是在实际部署之前，会根据相关的工作要求，使用大量数据有针对性地对模型进行训练，以便模型能够全面地学习目标的特征；再将训练好的模型应用到实际场景中。但是在面对新的学习任务时，却不能利用已经学到的知识来更高效地学习新任务，在学习新任务时易出现“灾难性遗忘”的情况，难以满足不确定的战场环境和复杂任务需求，不能有效应对处理战场环境下的突发事件。针对这种类似的情况，增量学习技术应运而生。实现模型增量学习的关键是兼顾模型的稳定性和可塑性，在对已经学习到的知识进行保留的同时，利用这些已学知识帮助模型对新知识的学习。在实际环境当中，对深度学习模型的增量学习能力提出了更高的要求。当模型需要学习新任务时，增量学习只需要使用新任务的数据集进行训练，而不用每次从头开始训练，大幅本文档来自技高网...

【技术保护点】

1.一种基于脉冲类脑模型的快速增量学习技术，其特征在于：具体包括以下步骤：

2.根据权利要求1所述的一种基于脉冲类脑模型的快速增量学习技术，其特征在于：所述步骤1具体步骤为：

3.根据权利要求1所述的一种基于脉冲类脑模型的快速增量学习技术，其特征在于：所述步骤2具体步骤为：

4.根据权利要求1所述的一种基于脉冲类脑模型的快速增量学习技术，其特征在于：所述步骤3具体步骤为：

5.根据权利要求1所述的一种基于脉冲类脑模型的快速增量学习技术，其特征在于：所述步骤4具体步骤为：

6.根据权利要求1所述的一种基于脉冲类脑模型的快速增量学习...

【技术特征摘要】

1.一种基于脉冲类脑模型的快速增量学习技术，其特征在于：具体包括以下步骤：

2.根据权利要求1所述的一种基于脉冲类脑模型的快速增量学习技术，其特征在于：所述步骤1具体步骤为：

3.根据权利要求1所述的一种基于脉冲类脑模型的快速增量学习技术，其特征在于：所述步骤2具体步骤为：

4.根据权利要求1所述的一种基于脉冲类脑模型的快速增量学习技术，其特征在于：所述步骤3具体步骤为：

5.根据权利要求1所述的一种基于脉冲类脑模型的快速增量学习技术，其特征在于：所述步骤4具体步骤为：

6.根据权利要求1所述的一种基于脉冲类脑模型的快速增量学习技术，其特征在于：所述步骤5具体步骤为：

7.根据权利要求6所述的一种基于脉冲类脑模型的快速增量学习技术，其特征在于：所述s...

【专利技术属性】
技术研发人员：莫宏伟，魏文泉，帅杰，刘翔宇，成牧航，李晓敏，盖一帆，
申请(专利权)人：哈尔滨工程大学，
类型：发明
国别省市：