(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210365307.6 (22)申请日 2022.04.07 (71)申请人 西南交通大 学 地址 610036 四川省成 都市二环路北一段 (72)发明人 龚勋　樊琳　 (74)专利代理 机构 成都东恒知盛知识产权代理 事务所 (特殊普通合伙) 51304 专利代理师 罗江 (51)Int.Cl. G06V 10/44(2022.01) G06V 10/771(2022.01) G06V 10/80(2022.01) G06V 10/764(2022.01) G06V 10/82(2022.01)G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种基于迁移学习的多尺度特征图像分类 方法 (57)摘要 本发明涉及多尺度特征图像 分类技术领域， 涉及一种基于迁移学习的多尺度特征图像分类 方法， 包括以下步骤： S1、 构建数据集； 包括源域 和目标域； S2、 使用多尺度特征提取网络在源域 上训练模型对特征进行提取； S3、 将提取的特征 送入分类网络进行分类训练； S4、 进行迁移学习 下的相同任务不同域的数据集分类训练。 本发明 在一个模型训练任务中针对某种类型数据获得 的关系可以轻松地应用于同一领域的不同问题。 权利要求书2页 说明书3页 附图1页 CN 114821097 A 2022.07.29 CN 114821097 A 1.一种基于 迁移学习的多尺度特 征图像分类方法， 其特 征在于： 包括以下步骤： S1、 构建数据集； 包括源域和目标域； S2、 使用多尺度特 征提取网络在源域上训练模型对特 征进行提取； S3、 将提取的特 征送入分类网络进行分类训练； S4、 进行迁移学习下的相同任务 不同域的数据集分类训练。 2.根据权利要求1所述的一种基于迁移学习的多尺度 特征图像分类方法， 其特征在于： 步骤S1中， 使用MNIST数据集作为源域； 构造MNIST ‑M数据集作为目标域， MNIST ‑M数据集由 MNIST数字与BSDS500数据集中的随机色块混合而成， 再每一类选取10个样本， 构建MNIST ‑M 下的小样本数据集， 再将源域和目标域数据集分为训练集和 测试集。 3.根据权利要求2所述的一种基于迁移学习的多尺度 特征图像分类方法， 其特征在于： 步骤S1后， 进行图像预处理： 对源域数据集进行旋转， 对图像大小进行调节， 使其符合网络 输入； 调节图像的色彩饱和明暗等预 处理操作； 对目标域数据图像大小进 行调节， 和源域大 小匹配。 4.根据权利要求3所述的一种基于迁移学习的多尺度 特征图像分类方法， 其特征在于： 步骤S2中， 多尺度特征提取网络分为三个 分支， 第一个 分支包含12个卷积核 大小为3*3的卷 积层， 12个归一化层， 12个激活层， 其中第7 ‑10个卷积为空洞卷积； 第二个分支包含12个卷 积核大小为5*5的卷积层， 12个归一化层， 12个激活层， 其中第7 ‑10个卷积为空洞卷积； 第三 个分支包含12个卷积核大小为7*7的卷积层， 12个归一化层， 12个激活层， 其中第7 ‑10个卷 积为空洞卷积； 网络训练输入为源域的MNIST图像和图像对应的标签， 输入图像首先进入 特 征提取网络， 三个分支同时对图像进 行不同尺度特征提取， 然后对不同尺度特征进 行插值， 融合， 最后得到的特 征： 其中Fconcatenate代表多尺度特征融合后的总体特征， Fi*i(i＝3,5,7)代表不同尺度下网 络提取的特 征， 代表将不同尺度特 征在第一维度上进行合并。 5.根据权利要求4所述的一种基于迁移学习的多尺度 特征图像分类方法， 其特征在于： 步骤S3中， 分类网络由三层卷积层以及三层全连接层组成； 网络训练输入为Fconcatenate， 结合 每张图片的标签进 行训练； 采用Adam对分类网络， 特征提取网络的参数进 行联合更新； 使用 交叉熵损失函数作为网络的分类损失函数： 其中， N代表样本个数， ys,i代表来自源域样本i 的标签， 正类为1， 负类为0， ps,i为样本i 被预测为 正的概率； 使用源域数据训练模型， 直到损 失函数不再下降， 并且使用源域测试集对多尺度特征 提取网络以及分类网络进行测试。 6.根据权利要求5所述的一种基于迁移学习的多尺度 特征图像分类方法， 其特征在于： 步骤S4中， 经过步骤S2以及步骤S3， 得到在源域上训练好的多尺度特征提取以及分类网络， 再采用迁移学习策略， 通过冻结特征子网络层， 再在目标域数据集上进 行迭代训练， 获得最 后的小样 本数据集分类模 型， 实现对MNIST ‑M数据集的分类检测； 使用交叉熵损失函数作为权　利　要　求　书 1/2 页 2 CN 114821097 A 2网络的分类损失函数： 其中， N代表样本个数， yt,i代表来自目标域样本i的标签， 正类为1， 负类为0， pt,i为样本 i被预测为 正的概率。权　利　要　求　书 2/2 页 3 CN 114821097 A 3