[发明专利]基于小样本的多任务组合模型的训练方法

权利要求书

1.一种基于小样本的多任务组合模型的训练方法，包括：

S1:获取遥感影像训练集，包括无标记数据集和有标记数据集；

S2:构建多任务组合模型，所述多任务组合模型包括1个主干网络和n个子网络，其中主干网络和子网络通过串联方式连接，子网络之间通过并联方式连接，n≥2；

S3基于无标记数据集对主干网络进行第一训练，得到第一训练的主干网络；

S4 基于有标记数据集对n个子网络进行第二训练，得到n个第二训练的子网络；

S5 将1个第一训练的主干网络和n个第二训练的子网络作为训练完成的多任务组合模型。

2.根据权利要求1所述的方法，其特征在于，该方法还包括：

S6将1个多任务组合模型拆分为n个单任务模型，每个单任务模型包括1个第一训练的主干网络和1个第二训练的子网络；

S7基于有标记数据集对单任务模型进行第三训练，得到第三训练的单任务模型，包括第三训练的主干网络和第三训练的子网络。

3.根据权利要求1所述的方法，其特征在于，所述对主干网络进行第一训练是基于对自编码器进行训练实现的，所述自编码器包括主干网络和解码器，步骤S3包括：

S31将无标记数据集输入主干网络进行特征提取，得到无标记特征集；

S32将无标记特征集输入解码器中进行解码，得到重构数据集，并根据下式计算重构损失函数：

其中，表示重构损失，表示无标记数据，表示重构数据，表示主干网络的参数，表示解码器的参数；

S33通过重构损失函数对主干网络的参数和解码器的参数进行微调；

S34迭代的执行S31-S33，直至达到预设的收敛条件，得到第一训练的主干网络和第一训练的解码器。

4.根据权利要求1所述的方法，其特征在于，所述有标记数据包括多任务标签，多任务标签包括回归标签、分类标签、分割标签中至少两种。

5.根据权利要求4所述的方法，其特征在于，步骤S4包括：

S41将有标记数据集输入第一训练的主干网络进行特征提取，得到共享特征集；

S42将共享特征集分别输入子网络，得到子网络的预测结果，基于子网络的预测结果和多任务标签计算任务损失函数，所述任务损失函数包括L1损失函数、MSE损失函数和交叉熵损失函数；

S43固定第一训练的主干网络的参数，通过任务损失函数对子网络的网络参数进行微调；

S44迭代执行S41-S43，直至子网络的任务损失函数都达到预设的收敛条件，得到第二训练的子网络。

6.根据权利要求2所述的方法，其特征在于，步骤S7包括：

S71将有标记数据输入单任务模型，得到单任务模型的预测结果，并基于单任务模型的预测结果和多任务标签计算任务损失函数，所述任务损失函数包括L1损失函数、MSE损失函数和交叉熵损失函数；

S72通过任务损失函数对单任务模型的参数进行微调，包括对主干网络的参数进行微调和对子网络的参数进行微调；

S73迭代执行S71-S72，直至单任务模型的任务损失函数达到预设的收敛条件，得到第三训练的单任务模型，包括第三训练的主干网络和第三训练的子网络。

7.根据权利要求1所述的方法，其特征在于，所述子网络包括分类子网络、分割子网络、回归子网络。

8.根据权利要求3所述的方法，其特征在于，所述自编码器为降噪自编码器、稀疏自编码器、栈式自编码器中的至多一种。