【昇腾】小样本SAR目标分类快速迁移案例

1 首先了解一下小样本学习

1)人类智能和人工智能的差异

人类可以从极少量的图片，甚至一张图片中学习以后，再次见到时就可以识别出它是什么。

但是AI却需要大量的标记图片才能达到一定的智能。

2)深度学习为什么能取得成功

计算资源：如GPU和深度学习框架TensorFlow，Pytorch等的出现

算法：CNN，RNN，LSTM等的出现

数据：大数据的驱动

3)为什么要研究小样本学习

某些领域数据少(由于隐私、安全性或数据标签成本高等因素)

要实现和人类一样的智能，这是人工智能的初衷

减少数据量，节省成本

4)SAR数据为什么获取困难

5)小样本学习研究意义

不会依赖大规模的训练样本，从而避免了在某些特定应用数据准备的高昂成本

可以缩小人类智能和人工智能之间的差距，是开发通用人工智能的必经之路

可以为一个新兴的任务实现低成本、快速的模型部署，对任务早期的潜在规律的揭示是有意义的

6)什么是小样本学习

小样本样本学习(few-shot learning)的目标是在已知类别(Seen Class)训练一个分类模型，使它能够在只有少量数据的未知类别(Unseen Class)上面具有很好的泛化性能。

7)N-way K-shot

小样本学习训练和测试过程，为了模拟小样本任务，提出了N-way K-shot的策略，取得了不错的效果。具体就是，训练过程会采样多个任务，每个任务会随机选择N个类别，每个类别选择K个样本，第一个任务训练好的参数，作为下一个任务的初始化，以此类推，训练出最优的分类模型。

8)SAR数据展示及划分

从中我们可以看出，小样本学习中的训练类别和测试类别是不交叉的。

9)模型推理

执行Python convert_pt_to_onnx.py 将.pt模型转换为.onnx模型

执行下面指令，将.onnx模型转换为.om模型

atc --framework=5 --model=fsl-cls.onnx --input_format=NCHW --output=yolov8n_1x3x224x224 --log=error --soc_version=Ascend310B1

进行推理过程执行执行指令python cls.py

显示推理成功。

ITPub博客

【玩转香橙派Orange Pi】基于小样本的SAR目标识别