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：西北工业大学

摘要：本发明提供了一种基于参数校正的持续自进化目标重识别建模方法，通过使用在旧任务上训练得到的模型对学习当前新任务的模型参数进行校正，将目标重识别模型中的动态卷积网络的参数生成器的输出作为两个模型的约束指标，将两个模型的参数生成器的输出差异作为损失函数一项，从而实现参数约束。本发明遏制了目标重识别模型在连续学习多个数据域分布的过程中出现的灾难性遗忘现象，参数校正方式使得模型可以在学习新的数据域特征分布的同时，减少对旧的数据域的特征分布的遗忘，拓展了具有领域泛化能力目标重识别模型的持续学习能力。

主权项：1.一种基于参数校正的持续自进化目标重识别建模方法，其特征在于包括下述步骤：步骤1：首先，冻结在之前学习过的数据集上得到的模型作为原始模型，得到模型参数Frozen_Model，Frozen_Model的模型结构与训练模型结构一致，但Frozen_Model的模型权重参数基于旧的训练数据得到，用于在当前的模型训练中进行参数校正；步骤2：获得当前数据域的图像样本，将Frozen_Model的模型结构与参数一同复制一份拷贝作为参与与新的数据集训练的模型，记作Dynamic_Model，将当前数据域的图像样本分别传入Frozen_Model和当前的训练模型Dynamic_Model，样本进入Dynamic_Model后，传入一个3×3的卷积层进行提取特征，然后在Dynamic_Model内完成均一化、激活与池化的预处理操作后传入到动态均一化处理阶段；在动态均一化处理阶段内，输入的样本特征通过实例均一化处理，即在每个样本的每个通道上进行均一化处理，经过实例均一化处理的特征向量与输入的样本特征向量一同传入动态卷积网络中进行处理，在保留部分原始特征模式的同时，完成了特征均一化处理的操作；步骤3：计算KL散度；步骤4：计算Dynamic_Model模型的损失函数；步骤5：分类器融合策略；为了保持对旧的任务的记忆，将Frozen_Model模型中的分类器部分与Dynamic_Model模型的分类器参数进行线性组合，以得到在当前任务上使用的分类器，具体实现方式为：H＝θ1HFrozen+θ2HDynamic4其中H为最终的分类器参数，HFrozen和HDynamic分别为冻结模型和动态训练模型的分类器参数，θ1和θ2分别为对应Frozen_Model模型分类器和Dynamic_Model模型分类器的权重；步骤6：获取完整目标重识别模型；使用步骤5得到的分类器替换Dynamic_Model中的分类器部分，得到完整的目标重识别模型，用于进行后续的目标重识别任务。

全文数据：

权利要求：

百度查询： 西北工业大学 基于参数校正的持续自进化目标重识别建模方法