[发明专利]半监督的小样本类别增量学习方法、装置及分类识别方法

说明书

本发明公开了一种半监督的小样本类别增量学习方法、装置及分类识别方法，包括：在基本阶段时，利用基本阶段获得的基础数据集对初始模型进行训练学习获得基本阶段的模型，并将基础数据集加入初始总集获得基本阶段的总集；在每一个增量阶段时，从上一阶段的总集中采样获得当前阶段的累积训练集，利用当前阶段获取的增量训练集和累积训练集对上一阶段的模型进行半监督学习，获取当前阶段的模型，并更新总集；在模型训练过程结束后，输出训练完成的目标模型，以利用目标模型对所有见过类别进行分类。本发明在少量标记数据样本和大量未标记数据样本情况下增量学习新类别，同时避免大篇幅遗忘先前学习过的旧类别，提高了小样本类别的分类性能。

技术领域

本发明涉及数据处理技术领域，尤其涉及一种半监督的小样本类别增量学习方法、装置及分类识别方法。

背景技术

人们通过不断学习新的观念来了解周围的环境，例如，通过学习一些猫的例子来识别猫，并通过比较学习一些狗的例子进一步区分猫和狗，如此，可以将人们大脑不断地接收一些样本学习新概念，并更新学习到的概念之间的边界，这种能力称为FSCIL（Few-ShotClass-Incremental Learning，小样本类别增量学习）。在一些智能识别系统中，例如医学图像分析系统和汽车自动驾驶系统等，给智能识别系统配备这种能力是十分重要的，然而，针对智能识别系统收集标记数据仍具有一定的挑战性，具体表现在数据集的时效性、昂贵的成本、涉及到的隐私问题和涉及领域的专业知识等。

FSCIL具有两个挑战性的问题，分别为小样本学习和增量学习。显然接收当前阶段带有有限标记数据的新类别，同时避免大篇幅遗忘前一个阶段的旧类别，这一问题在FSCIL仍然未被克服。

发明内容

本发明实施例的目的在于提供一种半监督的小样本类别增量学习方法、装置及分类识别方法，以解决现有技术中的小样本类别增量学习方法无法克服从少量标记数据样本和大量未标记数据样本的情况下增量学习新类别，同时避免大篇幅遗忘先前学习过的旧类别的问题。

基于上述目的，本发明实施例提供一种半监督的小样本类别增量学习方法，包括：

构建初始模型和初始总集；

在基本阶段时，利用基本阶段获得的基础数据集对所述初始模型进行训练学习获得所述基本阶段的模型，并将所述基础数据集加入所述初始总集获得基本阶段的总集；

在每一个增量阶段时，从上一阶段的总集中采样获得当前阶段的累积训练集，利用当前阶段获取的所述增量训练集和所述累积训练集对上一阶段的模型进行半监督学习，获取当前阶段的模型，并更新当前阶段的总集；其中，所述增量训练集包含标记数据集和未标记数据集；

在模型训练过程结束后，输出训练完成的目标模型，以利用所述目标模型对所有见过类别进行分类；其中，所述模型训练过程包含一个所述基本阶段和多个所述增量阶段。

可选的，所述在每一个增量阶段时，从上一阶段的总集中采样获得当前阶段的累积训练集，利用当前阶段获取的所述增量训练集和所述累积训练集对上一阶段的模型进行半监督学习，获取当前阶段的模型，并更新当前阶段的总集，包括：

对于每一个增量阶段，从上一阶段的总集中采样获得当前阶段的累积训练集，并在未标记数据集为非空集时，利用当前阶段的累积训练集和标记数据集对上一阶段的模型进行更新，得到迭代更新后的模型；

通过迭代更新后的模型预测所述未标记数据集，从所述未标记数据集中选取至少一个未标记数据样本和对应的伪标签加入所述标记数据集中，并从所述未标记数据集中移除，以更新所述增量训练集；

检测当前阶段是否满足迭代更新的结束条件；

若当前阶段满足迭代更新的结束条件，则结束当前阶段的迭代更新过程，并输出当前阶段的模型，并将更新后的所述增量训练集加入上一阶段的总集，得到当前阶段的总集；