[发明专利]基于线性加热和快照集成的迁移学习舰船目标分割方法

权利要求书

1.一种基于线性加热和快照集成的迁移学习舰船目标分割方法，其特征在于包括下述步骤：

(1)将舰船目标的大小分布均匀的数据集作为源域数据集，并将源域数据集按比例划分为源域训练数据集和源域测试数据集；

(2)将验证分割效果的数据集作为目标域数据集，并且将目标域数据集按比例划分为目标域训练数据集、目标域验证数据集和目标域测试数据集；

(3)构建源域的基于全局注意力编解码网络，使用源域训练数据集对全局注意力编解码网络进行训练，每轮迭代后保留当前在源域测试集上的分割准确率最高的模型，达到最大迭代次数后，得到在源域测试集上的分割准确率最高的模型；具体步骤为：

(3a)构建源域的基于全局注意力编解码网络，基于全局注意力编解码网络为级联的输入层、编码层与级联的解码层、输出层，编码层与解码层由全局注意力模块连接；

(3b)设置训练优化器为SGD，损失函数采用交叉熵损失；

(3c)采用小批量梯度下降算法，使用源域训练数据集对源域的基于全局注意力编解码网络进行训练，训练过程中每次迭代后，使用源域测试数据集进行测试，直至达到最大迭代次数，得到在源域测试数据集上测试结果最好的模型最为源域上的最佳模型M_S；

(4)采用与构建源域的基于全局注意力编解码网络相同的方式，构建目标域的基于全局注意力编解码网络，目标域的基于全局注意力编解码网络模型M_T的参数由M_S的参数进行初始化；

(5)使用学习率设置方法中的线性加热策略设置训练前期的学习率，使用学习率设置方法中的循环余弦退火策略设置训练后期的学习率，使用集成方法中的快照集成策略进行集成，快照集成策略中保留的模型为循环余弦退火策略中每轮循环在目标域验证集上分割准确率最高的模型，优化器采用SGD，损失函数采用交叉熵损失函数，快照集成策略中保留的最后三个模型即为得到的最终分割模型M_E；

(6)使用最终的分割模型M_E对目标域测试数据集进行测试，得到最终的分割结果。

2.根据权利要求1所述的基于线性加热和快照集成的迁移学习舰船目标分割方法，其特征在于：

所述源域数据集按照4:1的比例划分为源域训练数据集和源域测试数据集，目标域数据集按照4:1:1的比例划分为目标域训练数据集、目标域验证数据集和目标域测试数据集。

3.根据权利要求1所述的基于线性加热和快照集成的迁移学习舰船目标分割方法，其特征在于：

所述交叉熵损失函数的表示为；

其中，X表示样本的个数，C表示类别的个数，表示样本x的标签，样本x为第c类时为1，为其他类是为0，表示样本x预测为第c类的概率。

4.根据权利要求1所述的基于线性加热和快照集成的迁移学习舰船目标分割方法，其特征在于：

所述最佳模型M_S为：每轮迭代后保留当前在源域测试集上分割准确率最高的模型，直至达到最大迭代次数E_S后，得到在源域测试数据集上分割准确率最高的模型，将此模型作为源域上的最佳模型M_S。