[发明专利]一种基于脉冲迁移学习的办公设备识别方法

权利要求书

1.一种基于脉冲迁移学习的办公设备识别方法，其特征在于：包括以下步骤：

步骤1、根据迁移学习任务，将干净背景、高分辨率、无噪音的有标注的办公设备图像作为源域，实际应用场景所采集的不同分辨率及噪声图像作为目标域；

步骤2、初始化脉冲神经网络参数，包括突触连接权重、脉冲点火阈值、延迟常数、学习率和时间窗口长度，得到初始状态的迁移学习网络模型；

步骤3、将源域和目标域转换为脉冲形式的图片，并输入至步骤2中的初始状态的迁移学习网络模型中，并正向传播；根据域迁移损失以及分类损失，使用Adamax优化器进行整个网络的训练，直到模型收敛或达到最大迭代次数，得到训练好的迁移学习网络模型；

步骤4、保存训练好的迁移学习网络模型，将目标域的全部样本输入导训练好的迁移学习网络模型中，预测得到最终的分类结果；

所述步骤2或步骤3中的迁移学习网络模型均包括编码层、特征层和分类层；其中，特征层包含三个卷积层和三个平均池化层，以及两个全连接层，最后的分类层为全连接层，其输出形状为：批量样本数，类别数，时间窗口长度；

所述步骤2或步骤3中的迁移学习网络模型均同时接收源域和目标域的数据X_s和X_T，首先经过编码层将图片转换为脉冲形式得到X_{S_e}和X_{T_e}，再经过特征层进行特征提取；

特征层源域与目标域共享权值，得到各自的特征X_{S_f}和X_{T_f}，再根据域迁移损失反向传播训练网络，目的是训练网络同时从源域与目标域中学习出公共知识，令两个域被提取的特征在分布上更加接近；

同时，经过特征层得到的特征需要经过分类层得到最后的预测分类结果X_{S_c}和X_{T_c}，再经过分类损失反向传播训练网络，目的是训练分类层能够根据特征层提取的具有两个域公共知识的特征进行正确分类。

2.根据权利要求1所述的一种基于脉冲迁移学习的办公设备识别方法，其特征在于：分类损失使用多分类的交叉熵损失函数，其数学形式为：

其中，M为类别数量，y_c是指示变量若该类别与样本的类别相同就是1，否则为0，p_c为对于观测样本属于类别的预测概率，X表示所有样本，N为样本总数。

3.根据权利要求1所述的一种基于脉冲迁移学习的办公设备识别方法，其特征在于：所述步骤3中，源域和目标域的转换过程包括，原图经过拉普拉斯算子进行边缘特征提取，在经过特征层后，将脉冲时序特征通过求和的方式转为频域特征，再将源域和目标域的频域特征输入域迁移损失进行计算；再转换为脉冲形式，最后结合原图转换的脉冲形式图片，得到最终的编码后的图。

4.根据权利要求3所述的一种基于脉冲迁移学习的办公设备识别方法，其特征在于：所述域迁移损失采用核中心对齐方法。