申请/专利权人：南京信息工程大学

申请日：2023-12-29

公开（公告）日：2024-04-02

公开（公告）号：CN117809100A

主分类号：G06V10/764

分类号：G06V10/764;G06V10/774;G06V10/82;G06V10/44;G06N3/045;G06N20/00;G06N3/096

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.04.19#实质审查的生效;2024.04.02#公开

摘要：本发明公开了一种双粒度提示下基于回放的持续学习模型建立方法及装置，本发明首先对训练数据集中的图像进行预处理；然后构建双粒度提示下基于回放的持续学习模型，包括特征提取器、分类器、输入感知提示模块和代理特征提示模块；所述特征提取器用于从输入的样本中提取特征；所述分类器用于将特征提取器输出的特征进行分类；所述输入感知提示模块用于网络输入的额外补充，帮助生成更合理和多样化的输入分布，提高网络的泛化能力；所述代理特征提示模块用于弥合教师和学生模型之间的知识差距，以在特征转移过程中保持一致性，增强了特征的可塑性和稳定性。本发明可以高效完成持续学习任务，图像分类精度比现有持续学习方法更优。

主权项：1.双粒度提示下基于回放的持续学习模型建立方法，其特征在于，该方法包括：步骤S1：将包含若干待分类图像的数据集划分为训练数据集和测试数据集，并确定数据集中不同类别图像的学习顺序；步骤S2：对训练数据集中的图像进行预处理；步骤S3：构建双粒度提示下基于回放的持续学习模型，包括特征提取器、分类器、输入感知提示模块和代理特征提示模块；所述特征提取器用于从输入的样本中提取特征，具体由若干卷积层堆叠形成；所述分类器用于将特征提取器提取的特征进行分类，具体由全连接层组成；所述输入感知提示模块用于网络输入的额外补充；所述代理特征提示模块用于弥合教师和学生模型之间的知识差距；步骤S4：按照顺序获取预处理后的训练数据，对双粒度提示下基于回放的持续学习模型进行训练；步骤S5：采用深拷贝保存一个与当前模型独立的副本，作为下一增量阶段的旧网络；步骤S6：采用预处理后的测试数据集对模型的性能进行测试，获取模型对当前所有已知类别图像的平均分类精度；步骤S7：返回执行步骤S4，直至完成所有类的训练，得到训练完成的双粒度提示下基于回放的持续学习模型。

全文数据：

权利要求：

百度查询： 南京信息工程大学 双粒度提示下基于回放的持续学习模型建立方法及装置

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。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD