申请/专利权人：广东海洋大学

申请日：2024-02-02

公开（公告）日：2024-04-26

公开（公告）号：CN117934960A

主分类号：G06V10/764

分类号：G06V10/764;G06V10/774;G06V10/74;G06V10/82;G06V10/44;G06V10/80;G06V20/54;G06N3/0464;G06N3/084

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.05.14#实质审查的生效;2024.04.26#公开

摘要：本发明涉及基于递进式课程的受扰环境下船舶全种类识别方法，包括以下：获取待识别船舶图像；通过预训练的基于递进式课程的船舶全种类识别模型对所述待识别船舶图像进行识别，得到识别结果。在训练得到基于递进式课程的船舶全种类识别模型时，利用难度生成器和调度器，便于以逐渐增加的难度梯度向模型提供训练数据，更适合真实的海洋场景，提高其鲁棒性和泛化能力，以有效处理数据中的噪声和变化。同时，使用少样本学习的概念，使得本方法可在少量类别的训练数据中，提升泛化能力，极大提高模型的泛化能力以及实用性。

主权项：1.基于递进式课程的受扰环境下船舶全种类识别方法，其特征在于，包括以下：获取待识别船舶图像；通过预训练的基于递进式课程的船舶全种类识别模型对所述待识别船舶图像进行识别，得到识别结果；具体的，基于递进式课程的船舶全种类识别模型通过以下方式进行训练得到，构建船舶图像的训练集T、支持集S以及查询集Q；将训练集T分割成n个独立的子集，对所述子集进行预处理生成具有难度梯度逐级递增的n个课程子集；对n个所述课程子集进行难度调度，当前一阶段训练损失值趋于收敛时，即开始使用下一阶段的训练课程子集；构建三元特征多维度损失模块，所述三元特征多维度损失模块包括特征提取单元、多维度损失函数单元，将第i个课程子集的数据输入特征提取单元，以三元分支获取锚点样本、正例样本以及负例样本的特征向量，通过多维度损失函数单元获取各组样本间的向量差值，作为该次迭代损失值进行训练；反向传播更新参数，训练三元特征多维度损失模块中特征提取单元得到训练好的特征提取单元；在预测阶段，将支持集S、查询集Q，输入训练好的特征提取单元，获取特定维度的特征向量，基于特定维度的所述特征向量对各个查询与支持样本完成图像分类。

全文数据：

权利要求：

百度查询： 广东海洋大学 基于递进式课程的受扰环境下船舶全种类识别方法及系统

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