专利交易市场

本发明公开了一种基于零次学习的信号开集识别方法，使用类别已知的信号样本集训练LSTM模型，得到用于信号开集识别的目标模型f；将类别已知的信号样本集输入至训练完成的目标模型f，计算类别已知的信号样本集每一类的特征均值向量以及相似度阈值，得到特征均值向量集合和相似度阈值集合；对待识别信号样本集进行识别。本发明通过零样本学习，通过对未知类信号的特征进行学习，达到了提升开集信号正确分类概率、信号分类精确率的目的。

本发明公开一种基于小样本条件的开集识别方法及系统，方法包括：根据至少一个已知类别图片对预先构建的FSOR模型进行闭集训练，使得到第一识别模型；基于第一识别模型判断至少一个未知类别图片的预测值是否大于预设开集阈值；若至少一个未知类别图片的预测值大于预设开集阈值，则将至少一个未知类别图片与至少一个已知类别图片进行混合，使得到混合训练集；根据混合训练集中的至少一个图片对第一识别模型进行开集自适应训练，使得到第二识别模型。在识别模型训练中增加不进行数据标注的开集数据集作为所有已知类数据的负样本，使得识别模型对于某个已知类别的学习不再只限制于类间差异的对比，从而提高识别模型在小样本条件下识别精度。

本发明公开了一种面向树干图像的开集识别方法，包括以下步骤：(1)设计CNN模型，采用部分训练样本训练CNN模型后，并构造特征提取器；(2)对经特征提取器提取的特征图，计算特征图之间的相似度，并采用DBSCAN算法对特征图进行聚类；(3)根据特征图之间的相似度和特征图的聚类结果设计Loss函数，并根据该Loss函数优化特征提取器的参数和相似度函数的权重参数；(4)将待分类的树干图像输入至优化的特征提取器中，再利用优化的相似度函数计算输出的特征图之间的相似度，最后根据计算获得的相似度值获得对特征图的DBSCAN聚类结果。该开集识别方法能够很好地实现对未知类别的树干图像的开集识别。