CN118172729B 一种基于提示扩展持续学习的密集架通道异物检测方法 （南昌航空大学）

号一种基于提示扩展持续学习的密集架通道本发明涉及一种基于提示扩展持续学习的2S1：在密集架上部署网络相机采集通道内各类异物的图像，并将图像放缩至hxh像素训练嵌入层和预训练Transformer编码器参数不随模型训练更新，提示池与分类头池作为并保存所得到的K个聚类中心，得到任务a的训练集特征的聚类中心集合Ca＝{C1,C2,...,S4：使用步骤S3训练好的异物检测网络模型对相机S401：使用预训练特征提取器提取输入图像的特征，通过计算输入图像特征与步骤S5：当所述异物检测网络模型学习新任务或迁移到S501：根据步骤S1使用部署在密集架上的网络S503：使用步骤S501构建的新任务的数据集，采用步骤S301～S504：采用步骤S401～S403中的方式，使用步骤S5进行新场景或新任务下的密集架通道异物实2.根据权利要求1所述的一种基于提示扩展持续学习的密集架通道异物检测方法，其3新任务在提示池与分类头池分别扩展1个提示与分类头；单个提示结构为NX2XLpXD的可3.根据权利要求1所述的一种基于提示扩展持续学习的密集架通道异物检测方法，其4[0004]本发明的目的在于，提供一种基于提示扩展持续学习的密集架通道异物检测方述预训练嵌入层和预训练Transformer编码器参数不随模型训练更新，提示池与分类头池5[0015]S104：将图像放缩至h×h像素以匹配模型尺寸，每个任务对应1个异物图像数据第一正则化层后线性映射为查询分量Q、键分量K和值分量V三个分量送入多头自注意力层级block最终得到图像的深层次的特征类，并保存所得到的K个聚类中心，得到任务a的训练集特征的聚类中心集合Ca＝{C1,6[0028]S402：使用步骤S401所确定的提示与分类头，将选中的提示附加至预训练Transformer编码器中每个block的多头自注意力层MSA的输入，以形成提示微调后的特征[0037]S501：根据步骤S101～104对部署在密集架上的网络相机摄像机拍摄的新场景或模型进行新场景或新任务下的密集架通道异物[0042](1)本发明所述的异物检测网络模型为不同任务学习扩展提示参数，从而具备持[0044](3)本发明通过指导数据集图像采集方式并使用数据增强处理，以及采用Step学7[0053]如图1所示，本发明实施例提出了一种基于提示扩展持续学习的密集架通道异物[0058]S104：将图像放缩至h×h像素以匹配模型尺寸，每个任务对应1个异物图像数据8练特征提取器、提示池与分类头池；所述预训练特征提取器包括预训练嵌入层和预训练[0062]所述预训练Transformer编码器包括级联地N个block，每个block的结构如图3所出的图像序列经过第一正则化层后线性映射为查询分量Q、键分量K和值分量V三个分量送入多头自注意力层MSA提取注意力特征，随后经由第二正则化层与前馈神经网络层得到图入图像经过预训练嵌入层最终得到196×768的图像序列。预训练Transformer编码器中类，并保存所得到的K个聚类中心，得到任务a的训练集特征的聚类中心集合Ca＝{C1,9[0075]S402：使用步骤S401所确定的提示与分类头，将选中的提示附加至预训练Transformer编码器中每个block的多头自注意力层MSA的输入，以形成提示微调后的特征施例在不同场景下对密集架通道异物的检测结果如[0081]S501：根据步骤S101～104对部署在密集架上的网络相机摄像机拍摄的新场景或模型进行新场景或新任务下的密集架通道异物[0087]本发明实施例持续学习了6个不同的密集架通道异物场景任务数据集，每个数据ABCDEF段学习一个新数据集，在连续学习6个不同数据集后，网络模型的平均准确率可达