【技术实现步骤摘要】
本专利技术属于数字图像处理中的目标检测领域，具体是一种基于数据分析的神经网络关键参数微调方法。
技术介绍
1、随着人工智能技术的发展，智能目标检测技术得到广泛应用，各军事强国正积极将人工智能技术运用到精确制导武器中。在传统目标检测算法的性能趋于平稳状态后，深度学习技术给目标检测领域带来了深刻变革，基于深度学习的目标检测算法在识别空中目标时具有更高的识别性和更好的目标分类能力，使空中红外目标智能识别水平获得较大的提升。
2、目前基于深度学习的目标检测算法可以使得目标检测精度得到提升。但是随着神经网络结构复杂度的增加，训练神经网络模型需要海量标注数据以及强大的算力支撑，且模型训练过程复杂。如果训练样本不够，可能会导致所训练的神经网络无法估计复杂的数据分布，使得参数估计不准确，从而导致模型在不同场景下泛化能力较差。
3、因此，需要对基于深度学习的目标检测算法的参数进行优化，使模型满足对新样本的鲁棒性和适应性。
技术实现思路
1、针对现有技术中存在的问题，本专利技术提供一种基于数据分析的神经网络关键参数微调方法。通过训练小样本网络，分析不同场景下的小样本网络性能，寻找规律来调整关键参数，通过微调参数，使模型满足对新样本的鲁棒性和适应性。
2、本专利技术是通过以下技术方案来实现：
3、一种基于数据分析的神经网络关键参数微调方法，包括以下步骤：
4、步骤1、采用不同背景的红外小目标图像子集构成的混合数据集，对神经网络模型进行训练，得到
5、步骤2、冻结第一预训练神经网络模型中的全部参数，并解冻最后一层卷积层的参数，采用各红外小目标图像子集分别训练冻结参数后的第一预训练神经网络模型，得到多个第二预训练神经网络模型；
6、步骤3、分别确定第一预训练神经网络模型与多个第二预训练神经网络模型的最后一层卷积层的权重参数的差值，根据权重参数的差值确定神经网络模型的关键参数，将关键参数作为神经网络模型的网络参数。
7、优选的，步骤1中所述不同背景的红外小目标图像子集包括以天空背景、大地背景以及天地背景下的红外小目标图像子集。
8、优选的，步骤1所述不同背景的红外小目标图像子集的建立方法如下：
9、获取不同背景的红外小目标图像，并按照背景对红外小目标图像进行分类，然后对各类红外小目标图像进行数据增强操作，以扩展图像数据量，得到不同背景的红外小目标图像子集。
10、优选的，步骤1所述神经网络模型为基于分割范式的红外弱小目标检测网络。
11、优选的，步骤2所述最后一层卷积层的参数包括权重参数和偏置参数。
12、优选的，步骤3中所述关键参数的确定方法如下：
13、将各第二预训练神经网络模型对应的差值与设定阈值进行比较，将差值大于阈值对应的权重参数作为关键参数，得到多组关键参数。
14、优选的，对多组关键参数分别进行倍增操作，获取性能最优的一组关键参数作为神经网络模型的网络参数。
15、优选的，所述关键参数的倍增方法如下：
16、根据设定的倍增系数，对各组关键参数中的各权重参数进行倍增。
17、或，将各组关键参数中的各权重参数分别与对应的差值相乘，得到倍增后的关键参数。
18、优选的，所述获取性能最优的一组关键参数的方法如下：
19、将各组关键参数分别代入第一预训练神经网络模型，根据第一预训练神经网络模型的检测效果确定最优关键参数组。
20、一种基于数据分析的神经网络关键参数微调方法的系统，包括：
21、第一预训练模块，用于采用不同背景的红外小目标图像子集构成的混合数据集，对神经网络模型进行训练，得到第一预训练神经网络模型；
22、第二预训练模块，用于冻结第一预训练神经网络模型中的全部参数，并解冻最后一层卷积层的参数，采用各红外小目标图像子集分别训练冻结参数后的第一预训练神经网络模型，得到多个第二预训练神经网络模型；
23、关键参数模块，用于分别确定第一预训练神经网络模型与多个第二预训练神经网络模型的最后一层卷积层的权重参数的差值，根据权重参数的差值确定神经网络模型的关键参数，将关键参数作为神经网络模型的网络参数。
24、与现有技术相比，本专利技术具有以下有益的技术效果：
25、本专利技术提供的一种基于数据分析的神经网络关键参数微调方法，采用不同背景的红外小目标图像子集构成的混合数据集，对神经网络模型进行训练，得到第一预训练神经网络模型；然后对第一预训练神经网络模型的除最后一层的网络参数以外的参数全部冻结，再采用不同背景参数对冻结参数的网络模型再次进行训练，然后根据两次训练的神经网络模型的权重参数的差异，确定对目标检测结果影响较大的关键参数，将该关键参数作为网络参数，该方法在现有基于深度学习的目标检测方法的基础上，通过少量样本数据训练出的小样本网络，找到关键参数并对其进行微调，得到适应不同场景且目标识别精确度更高的模型。
本文档来自技高网...【技术保护点】
1.一种基于数据分析的神经网络关键参数微调方法，其特征在于，包括以下步骤：
2.根据权利要求1所述一种基于数据分析的神经网络关键参数微调方法，其特征在于，步骤1中所述不同背景的红外小目标图像子集包括以天空背景、大地背景以及天地背景下的红外小目标图像子集。
3.根据权利要求1所述一种基于数据分析的神经网络关键参数微调方法，其特征在于，步骤1所述不同背景的红外小目标图像子集的建立方法如下：
4.根据权利要求1所述一种基于数据分析的神经网络关键参数微调方法，其特征在于，步骤1所述神经网络模型为基于分割范式的红外弱小目标检测网络。
5.根据权利要求1所述一种基于数据分析的神经网络关键参数微调方法，其特征在于，步骤2所述最后一层卷积层的参数包括权重参数和偏置参数。
6.根据权利要求1所述一种基于数据分析的神经网络关键参数微调方法，其特征在于，步骤3中所述关键参数的确定方法如下：
7.根据权利要求6所述一种基于数据分析的神经网络关键参数微调方法，其特征在于，对多组关键参数分别进行倍增操作，获取性能最优的一组关键参数作为神
8.根据权利要求7所述一种基于数据分析的神经网络关键参数微调方法，其特征在于，所述关键参数的倍增方法如下：
9.根据权利要求6所述一种基于数据分析的神经网络关键参数微调方法，其特征在于，所述获取性能最优的一组关键参数的方法如下：
10.一种执行权利要求1-9任一项所述基于数据分析的神经网络关键参数微调方法的系统，其特征在于，包括：
...【技术特征摘要】
1.一种基于数据分析的神经网络关键参数微调方法，其特征在于，包括以下步骤：
2.根据权利要求1所述一种基于数据分析的神经网络关键参数微调方法，其特征在于，步骤1中所述不同背景的红外小目标图像子集包括以天空背景、大地背景以及天地背景下的红外小目标图像子集。
3.根据权利要求1所述一种基于数据分析的神经网络关键参数微调方法，其特征在于，步骤1所述不同背景的红外小目标图像子集的建立方法如下：
4.根据权利要求1所述一种基于数据分析的神经网络关键参数微调方法，其特征在于，步骤1所述神经网络模型为基于分割范式的红外弱小目标检测网络。
5.根据权利要求1所述一种基于数据分析的神经网络关键参数微调方法，其特征在于，步骤2所述最后一层卷积层的参数包括权重...
【专利技术属性】
技术研发人员：李少毅，卫孟杰，张雅淇，杨曦，孟中杰，李雨松，
申请(专利权)人：西北工业大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。