技術領域

本發明屬于機器深度學習技術領域，尤其涉及一種基于虛擬圖像數據集的神經網絡遷移學習方法。

背景技術

隨著機器學習的發展，各種復雜場景下的識別技術變得越來越重要，但是一些極端環境下的目標數據以及特殊視角下(例如無人機俯視角度)的數據集很難采集，現有的公開數據集無法滿足特定場景下模式識別訓練數據集的需求。然而訓練復雜的神經網絡需要大量標注的數據，這不僅耗費大量的人力物力，而且即便有海量的訓練數據，要訓練一個復雜的卷積神經網絡也需要幾天甚至幾周的時間，為了解決極端環境以及特殊視角下數據集采集難的問題，以及訓練時間過長的問題。現有技術一，基于遷移學習的動物行為識別方法和裝置，提出了一種基于遷移學習的目標動物行為識別方法和裝置，即訓練數據集中的訓練樣本包括人的行為樣本、非目標動物的行為樣本和目標動物的行為樣本中的一種或幾種的組合，測試數據集為目標動物的行為樣本。步驟包括：步驟101，針對訓練數據集中的每一個訓練樣本和測試數據集中的每一測試樣本，提取原始特征；步驟102，采用遷移學習中的領域適應學習法將所述原始特征映射到共同空間中，得到新的特征；步驟103，利用所述新的特征訓練SVM分類器，得到行為識別模型，同時對所述目標動物行為識別模型進行測試；步驟104，利用所述動物行為識別模型對目標動物的待識別行為進行識別。

綜上所述，現有技術存在的問題是：現有的遷移學習技術無法解決極端環境以及特殊視角下的訓練數據集難以采集并進行訓練，導致的訓練數據庫小，人工標注數據集繁瑣，多模型下訓練時間過長。

發明內容

針對現有技術存在的問題，本發明提供了一種基于虛擬圖像數據集的神經網絡遷移學習方法。

本發明是這樣實現的，一種基于虛擬圖像數據集的神經網絡遷移學習方法，所述基于虛擬圖像數據集的神經網絡遷移學習方法包括：

第一步，通過圖形化模擬軟件獲取虛擬圖像數據，

通過3D建模軟件建立目標模型/從網絡影視游戲中獲取目標模型；將該模型導入圖形化模擬軟件，設置材料屬性；通過圖形化模擬軟件中設置的攝像機軌道，從不同角度對目標模型進行圖像信息采集；分類對圖像信息進行儲存；生成隨機數據改變目標模型的所述環境信息；判斷是否達到預期效果，達到結束，未達到返回通過圖形化模擬軟件中設置的攝像機軌道，從不同角度對目標模型進行圖像信息采集；然后對虛擬數據集進行分類標記，得到圖像數據集；

第二步，通過對虛擬數據集的預處理，將JPEG編碼圖像轉化成二進制文件保存，搭建神經網絡模型，模型包括卷積層、下采樣層、全連接層并采用Relu作為激活函數，通過梯度下降的方法優化交叉熵，直到損失函數達到閾值，保存經過虛擬數據集訓練好的參數模型；梯度下降：其中代表梯度負方向，ρ_k表示梯度方向的搜索步長；交叉熵：

第三步，遷移學習，利用新的目標數據集對第二步已經保存的預訓練模型的全連接用同樣的方法再次進行訓練，直到新的損失函數達到閾值。

進一步，所述第一步包括：通過圖形化模擬軟件提取圖像，將圖像按照類別儲存，圖像和對應的標簽制作成數據集。

進一步，所述第二步包括：

步驟一，數據集的預處理，對圖像的大小調整，圖像翻轉，圖像色彩調整，圖像的剪裁以及平移；

步驟二，構建神經網絡模型，用于逐層提取圖像的高維特征，進行分類；

步驟三，模型訓練，通過優化損失函數的方法擬合圖像數據集和標簽之間的映射；

步驟四，參數保存，神經網絡模型參數在一次次優化迭代中更新并保存。

進一步，所述第三步包括：

(1)遷移學習，構建神經網絡，加載預訓練模型，通過預訓練模型提取輸入數據的高維特征；

(2)新的目標數據即為真實場景中要識別的目標，圖像預處理做成數據集；

(3)新目標數據作為神經網絡的輸入進一步訓練模型。

本發明的優點及積極效果為：基于虛擬圖像數據集來匹配實際場景，通過對虛擬數據集訓練得到一個神經網絡的預訓練模型，通過遷移學習(transfer learning，簡稱TL)將預訓練模型通過少量的實際場景數據再次訓練調整使其適用于實際要解決的問題。

本發明基于虛擬圖像數據集，通過虛幻引擎采集所需要的場景或目標構建數據集，通過對虛擬數據集的訓練得到預訓練模型，并利用遷移學習的方法針對少量數據集便可以達到實際應用效果。

附圖說明

圖1是本發明實施例提供的基于虛擬圖像數據集的神經網絡遷移學習方法流程圖。