典型文献
基于多任务持续学习的树种识别
文献摘要：
针对现有的深度学习方法在树干或树叶单一识别任务上需要大量样本做标注和训练的问题,且存在灾难性遗忘现象,提出一种新的神经网络模型用于多任务树种识别.对于少量不同类型数据样本,本文引入持续学习,将树干识别和树叶识别看作2个连续的学习,实现多任务识别.训练模型分为2个阶段:第1阶段为树干识别,保留参数重要性;第2阶段引入正则化损失约束重要参数的变化,维持模型对于叶片的特征提取能力,而保持低重要性参数的改变,以学习不同树种样本中更多的特征信息.测试结果表明,该方法在树干识别和树叶识别时的准确率分别为91.75％和98.85％,较单任务的深度学习有18.03％和11.92％的提升.本研究所提出的模型更适用于在不同样本中进行多任务分类识别,较好地避免灾难性遗忘问题.
文献关键词：
树种识别;多任务学习;持续学习;卷积神经网络;混淆矩阵
中图分类号：
作者姓名：
王恩泽;赵亚凤
作者机构：
东北林业大学 信息与计算机工程学院,哈尔滨150040
文献出处：
引用格式：
[1]王恩泽;赵亚凤-.基于多任务持续学习的树种识别)[J].森林工程,2022(01):67-75
A类：
B类：
持续学习,树种识别,深度学习方法,树干,树叶,灾难性遗忘,训练模型,参数重要性,正则化,失约,重要参数,特征提取能力,不同树种,特征信息,单任务,多任务分类,分类识别,多任务学习,混淆矩阵
AB值：
0.315292
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
