龙图腾网&IPTOP
- 微信扫码登录
- 账号密码登录
- 短信登录/注册
买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！
申请/专利权人：哈尔滨工程大学
摘要：本发明属于计算机技术领域，具体涉及一种基于元迁移学习的任务自适应的小样本图像分类方法。本发明通过结合元迁移学习，弥补MAML模型采用4Conv浅层网络提取特征不充分的问题；增加可训练的参数来学习平衡元知识在每个任务中的使用，解决现实场景下小样本学习的任务不平衡，类别不平衡，分布不平衡问题。本发明挑选每个任务中准确率低的样本，并重新组合它们的数据，使其成为更困难的任务，使元学习器在学习更加困难的任务的过程中提高模型的准确率。本发明提出的困难任务挖掘算法在线的收集分类效果差的样本组成困难任务，让学习器在困难任务中学习得更快、效果更好。
主权项：1.一种基于元迁移学习的任务自适应的小样本图像分类方法，其特征在于，包括以下步骤：步骤1：获取大规模图像数据集，利用大规模图像数据集中的样本对深层网络进行预训练，输出一组特征提取器和分类器的权重参数向量Θ和θ；步骤2：冻结特征提取器的权重参数向量Θ，重置分类器的权重参数向量θ；步骤3：获取待分类的小样本图像数据集，将其分为元训练集和元测试集；元训练集包括支持集和查询集，支持集用于更新基础学习器参数，查询集用于计算损失函数更新元学习器；步骤4：初始化元学习器和基础学习器参数，设定最大迭代次数；基础学习器用于快速的从新任务中学习新知识，元学习器用于总结所有学习到的知识中的经验；小样本学习以任务为单位，每个任务包括N个类；步骤5：随机从元训练集中抽取样本组成训练任务，然后随机抽取训练任务对基础学习器进行训练，不断更新优化元迁移学习参数和平衡参数，并且在这个步骤中得到识别准确率低的样本所在的类作为困难类；步骤6：从困难类集合中随机采样，组成困难任务；步骤7：随机抽取困难任务对基础学习器进行训练，不断更新优化学习器参数、元迁移学习参数和平衡参数，直至损失低于阈值；步骤8：判断是否达到最大迭代次数；若未达到最大迭代次数，则清空困难类集合，返回步骤5进行下一次迭代；若已达到最大迭代次数，则输出迭代完成后的元迁移学习参数和平衡参数，得到训练完成的基础学习器；步骤9：将元测试集输入至训练完成的基础学习器中，得到小样本图像分类结果。
全文数据：
权利要求：
百度查询： 哈尔滨工程大学 一种基于元迁移学习的任务自适应的小样本图像分类方法
免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。
主营中国专利交易买卖与专利转让许可,高校科技成果推广与科技成果转化,知识产权运营管理与平台开发,科技人才专家库与科技猎头等科技服务
开放平台
担保交易
惠及多方
会员特惠
专属平台
适合多方
数据共享
功能齐全
皖公网安备 34010402703815号