原创力文档- 1、本文档内容版权归属内容提供方，所产生的收益全部归内容提供方所有。如果您对本文有版权争议，可选择认领，认领后既往收益都归您。。
- 2、本文档由用户上传，本站不保证质量和数量令人满意，可能有诸多瑕疵，付费之前，请仔细先通过免费阅读内容等途径辨别内容交易风险。如存在严重挂羊头卖狗肉之情形，可联系本站下载客服投诉处理。
- 3、文档侵权举报电话：400-050-0827(电话支持时间：9:00-18:30)。
- 4、该文档为VIP文档，如果想要下载，成为VIP会员后，下载免费。
- 5、成为VIP后，下载本文档将扣除1次下载权益。下载后，不支持退款、换文档。如有疑问请联系我们。
- 6、成为VIP后，您将拥有八大权益，权益包括：VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
- 7、VIP文档为合作方或网友上传，每下载1次， 网站将根据用户上传文档的质量评分、类型等，对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档
查看更多
本发明公开了一种基于领域增量学习的语义分割方法，步骤如下：(1)准备新任务数据；(2)构建新任务的模型且对其初始化；(21)基于先前增量任务中完全训练的旧模型增加一组领域特定的参数获得新任务的模型；(22)加载旧模型的权重对新模型进行初始化；(23)冻结旧模型的全部参数，冻结新模型中在先前增量任务中学习到的旧领域的领域特定参数；(3)将训练数据输入模型中，获得模型对不同领域的响应并计算损失；(31)将训练数据输入旧模型，获得旧模型对所有旧领域的特征响应；(32)将训练数据输入新模型，获得新模型对
(19)国家知识产权局
(12)发明专利申请
(10)申请公布号 CN 116091776 A
(43)申请公布日 2023.05.09
(21)申请号 202310185511.4
(22)申请日 2023.03.01
(71)申请人 南京理工大学
地址 210094
文档评论（0）