[发明专利]一种基于脉冲迁移学习的办公设备识别方法

说明书

本发明公开了一种基于脉冲迁移学习的办公设备识别方法，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，实际场景下采集的不同噪声及分辨率的图像作为目标域；初始化脉冲神经网络参数，得到初始状态的迁移学习网络模型；将源域和目标域转换为脉冲形式的图片，输入至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；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。

技术领域

本发明属于计算机科学、神经网络技术的领域，涉及一种基于脉冲迁移学习的办公设备识别方法。

背景技术

随着生活水平的提高，较为贵重的办公设备(如：个人电脑、打印机等)也逐渐普及，因此，对办公设备进行安防监管的需求也日益增加。常用的方法是利用摄像头采集图像，并识别和监管办公设备。然而，不同办公场所采集的图像分辨率差异较大，且噪声分布明显，使得同一个分类神经网络无法在所有不同场景下都能准确识别设备，需要针对不同场景下采集的图像进行人工标注和重新训练，造成大量的资源消耗。

现有技术方案包括一种基于深度神经网络的预训练方案：首先利用已有的干净背景、高分辨率、无噪音的有标注的办公设备图像，并对神经网络模型进行预训练；之后根据少量的实际噪声图像进行数据标注，在预训练好的神经网络模型上进行参数微调，直到收敛。以及一种技术方案为深度神经网络迁移学习方案：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，将所采集的不同噪声及分辨率的图像作为目标域。神经网络同时接收有标注的源域数据和无标注的目标域数据，训练目标包括提高分类模型在噪声和多分辨率场景下的识别准确率，以及缩小源域和目标域的特征分布差别。训练收敛后的神经网络可以直接对具体应用场景下的图像进行分类。

现有技术方案存在以下缺陷：

对于深度神经网络预训练方案：仍然需要对部分实际采集的带噪声的图像进行数据标注，且效果对噪声鲁棒性较差。对于深度神经网络迁移学习方案：基于传统深度神经网络的方法功耗高且训练收敛难度较大。

传统人工神经网络使用连续值作为神经元的输入和输出。脉冲神经网络作为第三代神经网络，真实模拟生物神经元的特性。神经元具有膜电位，膜电位达到阈值后进行点火，输入输出信号即为二值的脉冲时序信号。脉冲神经网络的稀疏性离散脉冲，可以大量减少功耗以及缓解深度学习中过拟合现象。关于脉冲神经网络的应用和方法研究也越来越多。专利CN201910087183.8和专利CN201810430121.8也分别进行了脉冲神经网络上卷积神经网络的应用和脉冲神经网络的手写数字识别方法的改进。专利CN201910088572.2提出了一种基于脉冲神经网络人体摔倒动作的视频识别方法，将脉冲神经网络应用在了现实任务中。

但是针对不同场景下具有不同噪声以及不同分辨率的办公设备图像，深度脉冲神经网络中，仍然没有一种有效的迁移学习方法。

发明内容

本发明的目的在于：提供了一种基于脉冲迁移学习的办公设备识别方法，解决了现有技术的不足。

本发明采用的技术方案如下：

一种基于脉冲迁移学习的办公设备识别方法，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；