-
公开(公告)号:CN115035337B
公开(公告)日:2024-09-06
申请号:CN202210652398.1
申请日:2022-06-08
Applicant: 暨南大学
IPC: G06V10/764 , G06V10/774 , G06V10/80 , G06V10/82 , G06N3/0464 , G06N3/084
Abstract: 本发明公开了一种基于模型融合的交替训练方法,包括下述步骤:模型融合步骤;交替训练方法的初始化;交替训练步骤,该步骤包含多次融合卷积神经网络分类器的交替训练,每次融合卷积神经网络分类器的交替训练包括两个阶段,分别是借助辅助任务学习阶段和融合卷积神经网络整体训练阶段。本发明利用模型融合技术结合现有的动量对比的自监督学习技术的优点,融合卷积神经网络分类器在交替训练时相比现有技术算法增加了训练时的负样本的个数,有效提升了模型的泛化能力。
-
公开(公告)号:CN115035337A
公开(公告)日:2022-09-09
申请号:CN202210652398.1
申请日:2022-06-08
Applicant: 暨南大学
IPC: G06V10/764 , G06V10/774 , G06V10/80 , G06V10/82 , G06N3/04 , G06K9/62
Abstract: 本发明公开了一种基于模型融合的交替训练方法,包括下述步骤:模型融合步骤;交替训练方法的初始化;交替训练步骤,该步骤包含多次融合卷积神经网络分类器的交替训练,每次融合卷积神经网络分类器的交替训练包括两个阶段,分别是借助辅助任务学习阶段和融合卷积神经网络整体训练阶段。本发明利用模型融合技术结合现有的动量对比的自监督学习技术的优点,融合卷积神经网络分类器在交替训练时相比现有技术算法增加了训练时的负样本的个数,有效提升了模型的泛化能力。
-