面向人的细粒度视觉目标识别自适应训练方案生成、难度调整、闭环反馈训练方法及系统技术方案

本发明专利技术实施例公开了一种面向人的细粒度视觉目标识别自适应训练方案生成、难度调整、闭环反馈训练方法及系统，进行细粒度视觉目标中目标进行不定项选择识别测试和个人识别特质测试，根据全部受训人的个人识别特质测试成绩以当前受训人的个人识别特质测试成绩和标准细粒度视觉目标不定项选择识别测试成绩，生成训练方案；依次进行观察学习训练和反馈学习训练；进行标准细粒度视觉目标不定项选择识别测试；判断受训人的标准细粒度视觉目标不定项选择识别测试成绩是否大于0.95，如是，则结束训练，否则对下一次训练方案进行训练难度调整，直至受训人的标准细粒度视觉目标不定项选择识别测试成绩大于0.95后结束训练，有效提升训练效率。训练效率。训练效率。

Human oriented fine-grained visual target recognition adaptive training scheme generation, difficulty adjustment, closed-loop feedback training method and system

【技术实现步骤摘要】
面向人的细粒度视觉目标识别自适应训练方案生成、难度调整、闭环反馈训练方法及系统


[0001]本专利技术属于人体效能增强
，涉及一种面向人的细粒度视觉目标识别自适应 训练方案生成、难度调整、闭环反馈训练方法及系统。

技术介绍

[0002]人类擅长在复杂的视觉环境中识别区分各种不同类型的目标(如在教室中识别桌子 和椅子)，这种基础的物体识别能力是人类赖以生存和社会交往的基础，但其并非与生 俱来，而是通过后天习得获取。细粒度目标识别指的是从同类和同质视觉刺激中经过精 细视觉辨别找到目标(如从众多车辆中找到某型号车辆)，这种技能也非与生俱来，需 要通过自然场景下长时间的面向特定目标物的被动暴露获得(如日常生活中对人脸的辨 别)，或在约束条件下通过较短时间的刻意练习获得(如影像科医生对医学图像病灶的 辨认)。
[0003]随着人工智能技术尤其是计算机视觉技术的发展，机器辅助的视觉目标识别技术 得到了长足发展，在医学、公共安全及国防等领域被推广应用，如：计算机辅助医学图 像诊断、人工智能引导安检危险物品检测。但是，受到建模样本量、场景复杂度、任务 开放性等约束条件的限制，现在及未来相当长的时间内，人工智能方法不会是细粒度物 体识别的主要解决方案，人仍然是决策链条的核心环节和最终环节。随着信息流的指数 级增长，不同岗位对具有细粒度目标识别能力的人员需求成倍增长。
[0004]面对医学、公共安全及国防等领域人员培养需求，针对对于人的细粒度目标识别能 力的培养和训练，既有解决方案采用“人
‑
人交互”模式和“人
‑
机交互”两种模式：“人
ꢀ‑
人交互”训练采取样例教学、典型案例分析方法；“人
‑
机交互”训练模式对受训人群进 行同质化、开环训练，导致训练效率较低、训练时间长、训练效果个体差异大。总而言 之，既有训练方法及系统训练效能不足，导致合格人员供给量与成倍增长的人员需求严 重脱节。

技术实现思路

[0005]本专利技术实施例的目的在于提供一种面向人的细粒度视觉目标识别自适应训练方案生 成、难度调整、闭环反馈训练方法及系统，以解决目前细粒度视觉目标识别人员的培养、 训练过程中存在的训练效果个体差异大、训练手法单一、训练效率较低等问题。
[0006]本专利技术实施例所采用的第一个技术方案是：面向人的细粒度视觉目标识别自适应训 练方案生成方法，按照以下步骤进行：
[0007]步骤S1、基于个人识别特质测试成绩和当前标准细粒度视觉目标不定项选择识别测 试成绩，生成综合训练指数Z；
[0008]步骤S2、获取所有受训人的全部训练数据，基于多元线性回归模型生成第i个训练 参数X
i
的权重β
i
；
[0009]步骤S3、基于生成的综合训练指数Z以及估计的权重β
i
，结合下式表示的训练方案 生成算法，生成决定训练方案的训练参数X
i
，并根据训练参数X
i
设置训练方案；
[0010][0011]其中，β
min
为本次训练方案中训练权重的最小值，β
max
为本次训练方案中训练权重的 最大值；训练参数X
i
共有6项，即i＝1,2,3,4,5,6，其中，X1为观察学习训练中受训人的图 片刺激时间，X2为观察学习训练中受训人可提前结束图片刺激的时间，X3为观察学习训 练中受训人接受图片刺激的细粒度视觉目标子图总数，X4为反馈学习训练中图片刺激的 细粒度视觉目标子图总数，X5为反馈学习训练中受训人看到图片刺激后根据提示进行选 择的时长，X6为反馈学习训练所使用的单张细粒度视觉目标子图的图像难度。
[0012]进一步的，所述步骤S1按照下式生成综合训练指数Z：
[0013][0014]其中，exp为指数函数，为前一次标准细粒度视觉目标不定项选择识别测试成绩， A
s
为期望的下一次标准细粒度视觉目标不定项选择识别测试成绩，可由受训人手动输入， K
m
为根据个人识别特质测试成绩获得的当前受训人的个人识别系数；
[0015]当前受训人的个人识别系数K
m
通过以下方法得到：
[0016]获取全部受训人的个人识别特质测试成绩以及当前受训人的个人识别特质测试成绩， 利用全部受训人的个人识别特质测试成绩的最小值和最大值形成个人识别特质测试成绩 区间，然后将个人识别特质测试成绩区间归一化到区间[0,1]，然后将当前受训人的个人 识别特质测试成绩对应归一化到区间[0,1]内，得到个人识别系数K
m
；
[0017]所述细粒度视觉目标子图的图像难度，是将细粒度视觉目标细粒度目标识别专家对 每个细粒度视觉目标子图进行准确识别测试所花费的准确识别时间进行归一化处理，将 所有细粒度视觉目标子图的准确识别时间映射到以(0,1)为区间的难度系数中，每个细 粒度视觉目标子图映射得到的难度系数即为该细粒度视觉目标子图的图像难度。
[0018]进一步的，所述步骤S2的具体实现过程如下：
[0019]首先，按照下式建立多元线性回归方程：
[0020][0021]上式中，Y为预测的受训人下一次标准细粒度视觉目标不定项选择识别测试成绩，β0为常数项，e为残差；β
i
为训练权重，为训练方案中第i个训练参数X
i
的权重；
[0022]然后，利用建立的多元线性回归方程，由最小二乘法按照下式使残差平方和Q最小：
[0023][0024]其中，Y
k
为当前受训人第k次训练后的标准细粒度视觉目标不定项选择识别测试成 绩，为Y
k
的估计值，X
ik
为当前受训人第k次训练中的第i个训练参数，β
ik
为当前受 训人第k次训练中的第i个训练参数的权重，n为获取的训练数据总数。
[0025]本专利技术实施例所采用的第二个技术方案是：面向人的细粒度视觉目标识别自适应
训 练难度调整方法，按照以下步骤进行：
[0026]步骤1、根据生成的受训人本次细粒度视觉目标识别训练方案，构建有序logistic回 归模型；
[0027]步骤2、依照有序logistic回归模型，按照下式计算出受训人本次训练后标准细粒度 视觉目标不定项选择识别测试成绩达到水平g时的概率P
g
：
[0028][0029]其中，P
g
‑1为受训人本次训练后标准细粒度视觉目标不定项选择识别测试成绩达到水 平g
‑
1时的概率，exp为指数函数，β
0g
‑1是第g
‑
1个回归的常数项；X
i
为决定训练方案的 训练参数，β
i
为训练权重；
[0030]步骤3、判断受训人本次训练后标准细粒度视觉目标不定项选择识本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.面向人的细粒度视觉目标识别自适应训练方案生成方法，其特征在于，按照以下步骤进行：步骤S1、基于个人识别特质测试成绩和当前标准细粒度视觉目标不定项选择识别测试成绩，生成综合训练指数Z；步骤S2、获取所有受训人的全部训练数据，基于多元线性回归模型生成第i个训练参数X
i
的权重β
i
；步骤S3、基于生成的综合训练指数Z以及估计的权重β
i
，结合下式表示的训练方案生成算法，生成决定训练方案的训练参数X
i
，并根据训练参数X
i
设置训练方案；其中，β
min
为本次训练方案中训练权重的最小值，β
max
为本次训练方案中训练权重的最大值；训练参数X
i
共有6项，即i＝1,2,3,4,5,6，其中，X1为观察学习训练中受训人的图片刺激时间，X2为观察学习训练中受训人可提前结束图片刺激的时间，X3为观察学习训练中受训人接受图片刺激的细粒度视觉目标子图总数，X4为反馈学习训练中图片刺激的细粒度视觉目标子图总数，X5为反馈学习训练中受训人看到图片刺激后根据提示进行选择的时长，X6为反馈学习训练所使用的单张细粒度视觉目标子图的图像难度。2.根据权利要求1所述的面向人的细粒度视觉目标识别自适应训练方案生成方法，其特征在于，所述步骤S1按照下式生成综合训练指数Z：其中，exp为指数函数，为前一次标准细粒度视觉目标不定项选择识别测试成绩，A
s
为期望的下一次标准细粒度视觉目标不定项选择识别测试成绩，可由受训人手动输入，K
m
为根据个人识别特质测试成绩获得的当前受训人的个人识别系数；当前受训人的个人识别系数K
m
通过以下方法得到：获取全部受训人的个人识别特质测试成绩以及当前受训人的个人识别特质测试成绩，利用全部受训人的个人识别特质测试成绩的最小值和最大值形成个人识别特质测试成绩区间，然后将个人识别特质测试成绩区间归一化到区间[0,1]，然后将当前受训人的个人识别特质测试成绩对应归一化到区间[0,1]内，得到个人识别系数K
m
；所述细粒度视觉目标子图的图像难度，是将细粒度视觉目标细粒度目标识别专家对每个细粒度视觉目标子图进行准确识别测试所花费的准确识别时间进行归一化处理，将所有细粒度视觉目标子图的准确识别时间映射到以(0,1)为区间的难度系数中，每个细粒度视觉目标子图映射得到的难度系数即为该细粒度视觉目标子图的图像难度。3.根据权利要求1所述的面向人的细粒度视觉目标识别自适应训练方案生成方法，其特征在于，所述步骤S2的具体实现过程如下：首先，按照下式建立多元线性回归方程：上式中，Y为预测的受训人下一次标准细粒度视觉目标不定项选择识别测试成绩，β0为
常数项，e为残差；β
i
为训练权重，为训练方案中第i个训练参数X
i
的权重；然后，利用建立的多元线性回归方程，由最小二乘法按照下式使残差平方和Q最小：其中，Y
k
为当前受训人第k次训练后的标准细粒度视觉目标不定项选择识别测试成绩，为Y
k
的估计值，X
ik
为当前受训人第k次训练中的第i个训练参数，β
ik
为当前受训人第k次训练中的第i个训练参数的权重，n为获取的训练数据总数。4.面向人的细粒度视觉目标识别自适应训练难度调整方法，其特征在于，按照以下步骤进行：步骤1、根据生成的受训人本次细粒度视觉目标识别训练方案，构建有序logistic回归模型；步骤2、依照有序logistic回归模型，按照下式计算出受训人本次训练后标准细粒度视觉目标不定项选择识别测试成绩达到水平g时的概率P
g
：其中，P
g
‑1为受训人本次训练后标准细粒度视觉目标不定项选择识别测试成绩达到水平g
‑
1时的概率，exp为指数函数，β
0g
‑1是第g
‑
1个回归的常数项；X
i
为决定训练方案的训练参数，β
i
为训练权重；步骤3、判断受训人本次训练后标准细粒度视觉目标不定项选择识别测试成绩达到水平g时的概率P
g
是否满足需求，如是，则直接输出训练参数X
i
并生成训练方案进行训练，否则进行训练难度调整；步骤4、进行训练难度调整。5.根据权利要求4所述的面向人的细粒度视觉目标识别...

【专利技术属性】
技术研发人员：董明皓，张培铭，张晓燕，陈超，吴佳，杨海涛，许克勤，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：