一种基于元学习的图像识别持续学习方法
申请人信息
- 申请人:广州华微明天软件技术有限公司
- 申请人地址:510000 广东省广州市天河区翰景路1号1701房自编D、F、G、H部位
- 发明人: 广州华微明天软件技术有限公司
专利详细信息
| 项目 | 内容 |
|---|---|
| 专利名称 | 一种基于元学习的图像识别持续学习方法 |
| 专利类型 | 发明授权 |
| 申请号 | CN202311719529.4 |
| 申请日 | 2023/12/14 |
| 公告号 | CN117422960B |
| 公开日 | 2024/3/26 |
| IPC主分类号 | G06V10/778 |
| 权利人 | 广州华微明天软件技术有限公司 |
| 发明人 | 李静; 沈贤义; 程东 |
| 地址 | 广东省广州市天河区翰景路1号1701房自编D、F、G、H部位 |
摘要文本
广州华微明天软件技术有限公司获取“一种透气窗帘布”专利技术，一种基于元学习的图像识别持续学习方法，通过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微调数据集中，从而实现持续学习。本发明通过采用元学习进行迁移学习，通过大量容易采集数据得到预训练模型，迁移到少样本的实际使用场景图像中对其进行分类。而且本发明采用持续在线学习的模式，在使用过程中，对于分类结果定期人工矫正，修正后的数据自动加入微调数据集，快速迭代微调模型。
专利主权项内容
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；通过如下步骤进行：S1、构造实际使用场景图像的微调数据集，然后通过所述微调数据集对预训练模型进行多次训练，得到微调模型；S2、调整所述微调模型的模型架构，得到few-shot模型；S3、构建few-shot推理集和待预测图像的few-shot查询集；S4、通过所述few-shot模型对所述few-shot推理集和所述few-shot查询集分别进行推理，得到few-shot查询集的特征和few-shot推理集的特征，然后计算few-shot查询集的特征与few-shot推理集的特征之间的相似度，得到待预测图像的分类结果；S5、对所述S4得到的分类结果进行人工矫正得到矫正数据，分别将矫正数据和待预测图像均加入至所述few-shot推理集和所述微调数据集中；所述S1通过如下步骤进行：S1.1、采集实际使用场景图像并标注类别；S1.2、对所述S1.1得到的图像进行预处理，得到微调数据集；S1.3、根据所述S1.2得到的微调数据集对所述预训练模型进行多次训练，每次训练对应得到一个评估指标loss＇，并对所有评估指标loss＇求均值，得到loss，对loss反向更新得到权重θ，然后采用梯度下降法得到最优的微调模型；第二测试第二测试第二均值第二均值第二均值所述预训练模型通过如下步骤获得：L1、构造元学习的骨干模型和采集多个类别的图像并标注类别；L2、对所述L1得到的图像进行预处理，得到预训练数据集；L3、根据所述L2得到的预训练数据集对所述L1得到的骨干模型进行多次训练，每次训练对应得到一个评估指标loss＇，并对所有评估指标loss＇求均值，得到loss，对loss反向更新得到权重θ，然后采用梯度下降法得到最优的预训练模型。第一测试第一测试第一均值第一均值第一均值