[发明专利]一种边缘计算环境下智能视频监控系统的离线学习方法

权利要求书

1.一种边缘计算环境下智能视频监控系统的离线学习方法，所述智能视频监控系统是指能够对输入的视频流进行识别分类得到对应结果的系统，系统中分类模型由卷积神经网络组成，主要包含特征提取层和分类输出层两部分；其特征在于，所述离线学习方法只针对分类输出层的参数进行更新，包括以下步骤：

1)关键帧特征采集：提取视频关键帧，输入分类模型，采集特征提取层之前的图像特征向量与分类输出层对应的分类结果，构建成对应的特征向量与输出类别的特征类别对(x,y)，其中x代表特征向量，y代表输出类别，即为分类结果；

2)特征压缩储存：对步骤1)中获取到的特征类别对(x,y)进行进一步压缩存储，根据分类结果中的置信度大小，存储在不同的样本集合中；

3)样本抽样：符合参数更新条件时，对步骤2)中得到的特征类别对解压缩，向用户查询，进行重标记，得到更正后的特征类别对；

4)局部参数更新：将步骤3)中得到的重标记后的特征向量与输出类别的特征类别对(x,y⁺)输入特征重映射网络进行训练得到新的类别中心点，根据得到的新中心点对分类模型中分类输出层的参数进行更新，完成离线学习过程，包括以下步骤：

4.1)重映射中心点

将重标记后的特征向量与输出类别的特征类别对(x,y⁺)输入特征重映射网络进行训练，特征重映射网络输出各类别新的中心点[C₁,C₂,C₃,…C_m]；训练目标是最大化类间距离和最小化类内距离，损失计算公式如下：

其中，L为最终得到损失，x为特征向量，C为得到的新重点，a为类间类内调节权重，m为类别数，n为样本数，下标i和下标h表示所选取的类别的序号，上标j表示所选取的样本的序号，下间类内调节权重a用于调节两个距离对损失的影响，能够根据样本数设置，样本数大时减小a，反之增大a；

4.2)局部参数更新

根据得到的新中心点[C₁,C₂,C₃,…C_m]，对模型分类输出层的参数进行更新，更新方法如下：

W'_i＝(1-q)W_i+qC_i

其中，W’_i表示更新后的模型参数，W_i表示更新前的模型参数，C_i为计算得到的第i类特征的中心点，q取值在(0,1)间为设定的系统更新学习率；完成局部参数更新即完成智能视频监控系统的离线学习，通过参数调整实现了对当前环境的适应。