[发明专利]一种基于离线深度学习与在线人机协同的目标识别方法

说明书

本发明公开一种基于离线深度学习与在线人机协同的目标识别方法，涉及计算机模式识别领域。本发明利用大数据集得到预训练模型，对小数据集数据增强变换扩充数据样本，将源预训练模型在目标小数据集上进行迁移训练得到离线训练模型；在离线模型识别置信率低时，提取目标底层特征进行语意映射得到语义属性，计算到未知类目标的语义属性距离，当该类目标不在离线训练模型知识范围内时，以问题的形式向用户提出需要补充的知识或经验，实现未知类目标识别；提出拟人化人机交互指令架构，构建具备自主学习能力的一体化目标识别方法,提高了对小样本数据识别准确率，通过人机交互增强了对未知目标识别能力。

技术领域

本发明涉及计算机模式识别技术，属于目标检测识别领域，特别涉及综合离线深度学习与在线人机协同的目标识别方法。

背景技术

未来战场形态将是以智能化、网络化为主要支撑的有人无人协同战争，战场环境复杂多变，战场规则波谲云诡、变幻莫测，新型作战目标不断涌现，如何更好地获取战场多源信息并及时做出精准决策，是作战人员面临的重要问题。而目前人工智能技术在目标识别、军事决策等方面已经展现出巨大优势，但是大多数人工智能模型是基于大量样本训练的，并且获取战场信息成本巨大，这限制了人工智能在军事方面的发展，在小样本、未知类条件下实现战场环境和目标识别具有重要军事意义。

小样本、未知类目标识别是计算机模式识别领域需要解决的重要问题。目前，人工智能技术在目标识别与决策等方面已经卓有成效，但由于其识别方法依赖于海量的训练数据，需要获取大量目标信息，在面对新型目标不断涌现的环境时，机器自主学习模型不能完全适用于复杂环境。当前的目标识别方法难以准确识别小样本目标，无法识别未知类型的目标，对于未知类目标的识别研究还非常少，大多数现有未知类学习(Zero-Shot Learn ing，ZSL)方法都存在强偏问题。目标识别训练过程中的人机交互依赖于专业人员指令控制，人机协同识别方法复杂，不能提供合适的人机交互接口。

在机器学习过程中，引入人的智能，将作战人员的知识、经验和逻辑推理等能力与机器智能的定量感知、计算、高精度操作能力相结合，作战人员直接参与和指导机器的学习进化过程，协助机器快速完成深度学习模型的建立，通过人机协同实现小样本、未知类目标的高效探测识别。将小样本学习进化能力和人机协同决策能力相结合的介入式学习进化技术，是未来军事人工智能技术重要发展趋势。

发明内容

本技术发明目的是：克服现有技术的不足，提供一种基于离线深度学习与在线人机协同的目标识别方法，本发明的核心在于，包括：能够利用小样本数据进行离线深度学习；在面对未知类别时自主生成问题，总结归纳此类目标包含的基本特征，通过人机协同判断目标类型，并更新深度学习模型；为人机交互提供方便有效的人机交互方法。

如图1所示，离线学习部分通过大样本数据进行模型训练，通过数据增强、模型迁移学习和模型微调解决小样本学习进化难点，主要采用的是经过图片预处理之后的深度学习网络对典型目标进行探测识别，置信度高的结果就是该目标的标签；在面对未知类目标时，离线学习系统无法实现高置信度的判决，将自主进入介入式学习阶段，在线学习通过目标图像语义属性提取和问题自主识别与生成解决未知类目标学习进化难点，系统通过预先训练的语义网络，提取图片语义属性特征，并生成问题呈现给用户，用户判断该目标类型，并将此类型加入已知类样本集，在深度学习模型中建立新的输入输出对应关系。

本发明的一种基于离线深度学习与在线人机协同的目标识别方法包括如下步骤：

步骤200，在大训练集上训练数据并迁移至小模型数据，得到小样本识别模型；

在迁移学习过程中，在原始小数据集中引入数据增强变换，扩充数据样本，可用的扩展方法包括平移、旋转、缩放、加噪、颜色空间变换和裁剪等数据变换方法与生成对抗网络方法；将大规模数据集上的源预训练模型在目标小数据集上进行迁移训练，提取除最后全连接层之外的模型权重和图像特征；结合源预训练模型提取的特征，采用层冻结方法，冻结模型前五层参数，调整后三层的学习率，迁移模型适应小样本场景，得到训练网络；