一种包含在线小样本激励的图像分类方法技术

本发明专利技术属于图像处理领域，公开了一种包含在线小样本激励的图像分类方法。本发明专利技术的目的是在不断变化的环境中，使的用于图像分类的神经网络具有“学会学习”的能力，能够根据在线接收到的参考图片，激励分类的准确度。本发明专利技术以卷积神经网络为基础，在塑性神经网络的框架上，加入神经调节参数，使整个网络更接近于生物神经网络，并且在预测阶段参考图片的选择上，采取在线和实时的原则。本发明专利技术在图像分类的任务上具有灵活性高、准确性高、能实时根据环境调整输出结果的优势。

An image classification method with online small sample excitation

【技术实现步骤摘要】
一种包含在线小样本激励的图像分类方法
本专利技术属于图像处理领域，涉及基于小样本训练的人工神经网络进行图片分类的方法，特别涉及一种包含在线小样本激励的图像分类方法。
技术介绍
图像分类是指通过训练的计算机对一张陌生的测试图片进行分析并得出其中的内容属于什么类别的过程，其在计算机视觉和机器学习领域有着广泛的应用需求。深度神经网络是非常流行而且效果也很好的图像分类方法，通过一个多层的卷积神经网络，将图像的原始特征抽象为可以线性分割的特征向量，然后通过一个全连接层将特征向量进行线性组合，最终得出这张图片属于各个类别的概率。传统基于深度神经网络分类的方法存在一个局限性，即是为了训练网络中的参数，需要大量的训练数据，而网络一旦训练完成，所有参数则会被固化下来，在后续的预测过程中不会有所变动，整个网络所能分类的类型也会固定下来。这样就存在一个问题，如果要新增一个类别，或者有不同于训练集中的新训练图片，则需要对整个网络进行重新训练，这样会消耗大量时间，也达不到实时的效果。而在生物神经网络中，往往不存在这种固化的结构和参数，而是存在一种灵活的神本文档来自技高网...

【技术保护点】
1.一种包含在线小样本激励的图像分类方法，其特征在于，包括训练和预测两阶段，/n其中，训练阶段中的训练数据包含若干生命周期，且每个生命周期包括以下步骤：/n第一步，从训练集全部的类别中随机抽取5个类别，给它们编号为类别1-5，然后在1-5类中分别随机抽取一张图片，组成一组5张的参考图片；/n第二步，在1-5类中随机抽取一个类，再在里面抽取一张图片作为这个生命周期的测试图片；/n第三步，将5张参考图片按顺序一一进行下列操作：/n3.1通过四层卷积、非线性tanh层、Maxpool层的组合，分别得到一个1x64的特征向量activin；/n3.2将特征向量activin与固定权重参数w进行向量乘法...

【技术特征摘要】
1.一种包含在线小样本激励的图像分类方法，其特征在于，包括训练和预测两阶段，
其中，训练阶段中的训练数据包含若干生命周期，且每个生命周期包括以下步骤：
第一步，从训练集全部的类别中随机抽取5个类别，给它们编号为类别1-5，然后在1-5类中分别随机抽取一张图片，组成一组5张的参考图片；
第二步，在1-5类中随机抽取一个类，再在里面抽取一张图片作为这个生命周期的测试图片；
第三步，将5张参考图片按顺序一一进行下列操作：
3.1通过四层卷积、非线性tanh层、Maxpool层的组合，分别得到一个1x64的特征向量activin；
3.2将特征向量activin与固定权重参数w进行向量乘法，得到激活量的第一部分activ_1＝activinxw；
3.3将特征向量activin与赫布迹Hebb和赫布权重参数alpha进行乘法，得到激活向量的第二部分activ_2＝activinx(alphaxHebb)；
3.4根据参考图片类型标注决定激活向量的第三部分activ_3＝1000*label，其中label是one-hot编码的类型标注；
3.5将激活向量的三个部分相加得到激活向量activ＝activ_1+activ_2+activ_3；
3.6使用sigmoid函数把激活向量的每一位都限制在[0,1]之间，使之成为合理的概率，并得到输出activout＝sigmoid(activ)；
3.7计算神经调节参数，即预测结果的熵值，其中m为可训练的神经调节系数，mean(.)为计算平均值，Entropy(.)为计算熵值：mod＝mean(Entropy(activout+m*activ))；
3.8通过计算两个向量外积的方式，计算步骤3.1中输入向量activin和步骤3.6中的输出向量activout的关联性，按照神经调节参数，添加进赫布迹中：Hebb＝(1-mod)*Hebb+mod*(activinxactivout)；
3.9输出更新过的赫布迹Hebb；
第四步，对1张测试图片进行下列操作：
4.1通过四层卷积、非线性tanh层、Maxpool层的组合，得到一个1x64的特征向量activin’；
4.2将特征向量activin’与固定权重参数w进行向量乘法，得到激活量的第一部分activ_1’＝activin’xw；
4.3特征向量activin’与赫布迹Hebb和赫布权重参数alpha进行乘法，得到激活向量的第二部分activ_2’＝activin’*(alpha*Hebb)；
4.4两部分相加得到激活向量activ’＝activ_1’+activ_2’；
4.5使用sigmoid函数把激活向量限制为每一位都在[0,1]之间，使之成为一个合理的概率，得到输出activout＝sigmoid(activ’)；
4.6输出预测结果activout；
第五步，将测试图片的预测结果activout与真实标注target进行对比，通过计算交叉熵值crossEntropy，得出损失函数Loss＝crossEntropy(activout,target)，并通过损失函数回传调整整个网络的参数...

【专利技术属性】
技术研发人员：杨绍武，徐利洋，唐玉华，黄达，胡古月，吴慧超，郭晖晖，陈伯韬，杨懿，蔡成林，
申请(专利权)人：中国人民解放军国防科技大学，
类型：发明
国别省市：湖南;43