公开(公告)号：CN111667016A

公开(公告)日：2020-09-15

申请号：CN202010539580.7

申请日：2020-06-12

Applicant: 中国电子科技集团公司第三十六研究所 ,  南京大学

Inventor： 葛轶洲 ,  徐百乐 ,  毛乐坤 ,  张旭 ,  韩峰 ,  周青 ,  赵健 ,  申富饶

IPC: G06K9/62 ,  G06N3/04

Abstract: 本发明提供了一种基于prototype的增量式信息分类方法，包括：步骤1，对当前已经训练好的模型生成一份副本，并固定副本模型参数；步骤2，为数据流新来的每个类初始化一个prototype向量，并按照新类的数量扩展当前模型的分类数目；步骤3,使用深度学习算法，计算新数据对应的损失；步骤4，根据新模型和模型副本对新数据的输出计算固化损失；步骤5，将两部分损失进行权重求和，使用梯度下降算法调整模型；步骤6，根据当前迭代次数选择继续训练或者退出。

公开(公告)号：CN112488209B

公开(公告)日：2024-02-20

申请号：CN202011396575.1

申请日：2020-11-25

Applicant: 南京大学

Inventor： 申富饶 ,  毛乐坤 ,  徐百乐

IPC: G06V10/764 ,  G06V10/774 ,  G06V10/82 ,  G06N3/045 ,  G06N3/0895

Abstract: 本发明提供了一种基于半监督学习的增量式图片分类方法，包括：步骤1，将流数据中出现的新类图片、公开数据集图片(作为辅助数据)进行预处理，分别放到集合A、集合B中；步骤2，对当前模型生成一份副本，并固定副本模型参数；步骤3，使用新数据训练一个teacher模型；步骤4，在当前模型中，对于每个新类别，增加一个分头网络，成为待更新参数的新模型；步骤5，对辅助数据与新数据进行shuffle操作，整体构成最终的训练数据；步骤6，使用模型副本与teacher模型对训练数据计算目标向量；步骤7，将训练数据输入新模型中，根据模型输出结果与目标向量，计算损失值。步骤8，使用梯度下降算法调整模型参数；步骤9，测试模型的预测精度。

公开(公告)号：CN111667016B

公开(公告)日：2023-01-06

申请号：CN202010539580.7

申请日：2020-06-12

Applicant: 中国电子科技集团公司第三十六研究所 ,  南京大学

Inventor： 葛轶洲 ,  徐百乐 ,  毛乐坤 ,  张旭 ,  韩峰 ,  周青 ,  赵健 ,  申富饶

IPC: G06V10/764 ,  G06V10/774 ,  G06V10/82 ,  G06N3/04

Abstract: 本发明提供了一种基于prototype的增量式信息分类方法，包括：步骤1，对当前已经训练好的模型生成一份副本，并固定副本模型参数；步骤2，为数据流新来的每个类初始化一个prototype向量，并按照新类的数量扩展当前模型的分类数目；步骤3,使用深度学习算法，计算新数据对应的损失；步骤4，根据新模型和模型副本对新数据的输出计算固化损失；步骤5，将两部分损失进行权重求和，使用梯度下降算法调整模型；步骤6，根据当前迭代次数选择继续训练或者退出。

公开(公告)号：CN112488209A

公开(公告)日：2021-03-12

申请号：CN202011396575.1

申请日：2020-11-25

Applicant: 南京大学

Inventor： 申富饶 ,  毛乐坤 ,  徐百乐

IPC: G06K9/62 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明提供了一种基于半监督学习的增量式图片分类方法，包括：步骤1，将流数据中出现的新类图片、公开数据集图片(作为辅助数据)进行预处理，分别放到集合A、集合B中；步骤2，对当前模型生成一份副本，并固定副本模型参数；步骤3，使用新数据训练一个teacher模型；步骤4，在当前模型中，对于每个新类别，增加一个分头网络，成为待更新参数的新模型；步骤5，对辅助数据与新数据进行shuffle操作，整体构成最终的训练数据；步骤6，使用模型副本与teacher模型对训练数据计算目标向量；步骤7，将训练数据输入新模型中，根据模型输出结果与目标向量，计算损失值。步骤8，使用梯度下降算法调整模型参数；步骤9，测试模型的预测精度。