面向多模态图谱数据的网络架构搜索同步迁移学习方法

本申请公开了面向多模态图谱数据的网络架构搜索同步迁移学习方法，该方法中，对采集的近红外光谱、拉曼光谱和显微图像进行预处理操作后分别进行特征提取，并将提取后的特征通过交叉注意力机制进行融合形成新的最优融合特征；在构建的SSL_NST模块中，通过迁移学习技术将融合后的数据集分为源域和目标域，神经网络架构搜索NAS采用包括网络搜索、微调和反馈的三阶段优化策略；在得到的目标域模型中引入损失加权优化策略，将分类损失值与样本权重之间的比例进行调整，优化融合数据模型的训练过程。本申请解决了相关技术图谱融合效率低、方法差，且在标注样本数据不足的情况下，无法构建有效模型的技术问题。