一种基于在线持续学习的图像分类方法

本发明涉及一种基于在线持续学习的图像分类方法，包括以下步骤：针对每个任务训练深度神经网络，在每个任务训练完成后评估网络中的参数重要性，确定重要性系数；根据所述重要性系数在持续网络训练中进行实时梯度修改；利用双层重新初始化复制权重算法初始化下一任务训练时的深度神经网络权重；重复上述步骤进行持续在线学习，直至完成所有任务的深度神经网络训练；将所需要验证的不同类别图像输入到训练完成的深度神经网络中，进行单头图像分类，得到图像分类结果。与现有技术相比，本发明具有能够在面临任务转移时保持网络的稳定性和准确性、训练高效等优点。