基于多任务持续学习的树种识别

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.

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

所属期刊栏目：38

分类号：S718.49;TP391.4;TP181(林业基础科学)

资助基金：中央高校基本科研业务费专项;黑龙江省博士后经费;黑龙江省博士后经费

在线出版日期：2022-03-25（万方平台首次上网日期，不代表论文的发表时间）

页数：共9页

页码：67-75