先进制造技术

本发明涉及一种基于深度归因图谱的无人机跟踪模型迁移学习方法，属于迁移学习技术领域，包括采集探测数据；选取深度神经网络预训练模型；构建前向传播路径，采集预训练模型每个卷积层的输出特征；计算不同数据点在同一特征间的相似性，构建边相似性序列；构建节点归因值序列；卷积层每增加一层，计算该层与最后一层节点归因值的余弦相似性，计算该层与最后一层边的相似性的斯皮尔曼相关系数；构建深度归因图谱相似性函数；求取对应各个卷积层相关系数，设定阈值，筛选大于阈值的相关系数，该值对应卷积层可作为模型参数微调的临界点，该层之后的参数进行训练。本方法操作简单，训练周期短，不需要大量的图像数据。

提升跨场景跟踪精度：通过深度归因图谱和迁移学习，模型能够快速适应不同环境下的无人机跟踪任务，显著提高复杂场景中的跟踪准确性和鲁棒性。

减少数据依赖与训练成本：迁移学习方法利用已有知识减少对新场景数据的需求，降低数据采集和模型训练的成本，加速模型部署和应用。

增强模型泛化能力：深度归因图谱帮助模型理解目标特征的本质，提升其在多样化场景中的泛化性能，适用于城市、森林、海洋等多种环境。

推动智能安防与监测：该技术可广泛应用于边境巡逻、灾害监测、交通管理等领域，提高无人机在安防和监测任务中的智能化水平和效率。

本发明取得的技术效果有：

1)能够快速找到无人机跟踪模型的迁移微调临界点；

2)需要的图像数据量小，计算时间短，降低了计算成本；

3)训练时间短，提高了整个迁移学习过程的效率。