基于图学习的小样本图像识别方法及系统技术方案

本发明专利技术涉及一种基于图学习的小样本图像识别方法及系统，所述图像识别方法包括：获取源域样本图像数据集；以各样本图像作为节点，建立无向带权图；基于特征生成模型提取各样本图像的基础特征向量；对各节点之间执行信息的传递和聚合，得到优化特征向量；基于优化特征向量，建立图像识别模型；根据所述优化特征向量，建立对比损失函数；采用随机梯度下降方法优化图像识别模型的参数直到对比损失函数收敛，以确定面向小样本图像的识别模型；根据面向小样本图像的识别模型，确定待测样本图像的所属类别。通过学习出来的识别模型在小样本场景下可以放大异类样本的类间差异，缩小同类样本的类内差异，极大提升了小样本识别的准确率。

【技术实现步骤摘要】
基于图学习的小样本图像识别方法及系统
本专利技术涉及计算机视觉和小样本学习
，特别涉及一种基于图学习的小样本图像识别方法及系统。
技术介绍
图像识别技术广泛应用于视频监控、工业检测、航空航天等诸多领域，极大提高了相关行业的生产效率和质量。通常来说，图像识别模型需要大量带标签的样本进行训练才能达到理想的性能。然而，在某些现实的任务场景中，样本的数量非常少，同时样本的类别非常多，例如人脸识别、医疗影像分析等任务，导致传统的依赖大规模训练数据的深度模型无法发挥作用。现有的基于迁移学习的小样本识别方法往往缺少适用于特定小样本任务场景的距离函数建模，仅仅采用简单的非参距离函数进行类别预测，例如欧氏距离或者余弦距离。同时，这些方法也缺少类内样本的关系挖掘，无法在样本匮乏的场景下充分挖掘标注样本与测试样本在特征空间的语义关系，导致识别准确率较低。
技术实现思路
为了解决现有技术中的上述问题，即为了提高小样本场景下的图像识别的准确率，本专利技术的目的在于提供一种基于图学习的小样本图像识别方法及系统。为解决上述技术问题，本文档来自技高网...

【技术保护点】
1.一种基于图学习的小样本图像识别方法，其特征在于，所述图像识别方法包括：/n获取源域样本图像数据集，所述源域样本图像数据集包括多个带有标签的源样本图像；/n根据所述源域样本图像数据集，建立基于深度卷积神经网络的特征生成模型；/n获取目标域样本图像数据集，所述目标域样本图像数据集包括有多个带有标签的目标样本图像；/n利用基于深度卷积神经网络的特征生成模型，提取各目标样本图像的基础特征向量；/n以各目标样本图像作为节点，根据各目标样本图像的基础特征向量，建立无向带权图；/n根据所述无向带权图及基础特征向量，建立基于图神经网络的特征优化模型；/n根据图神经网络的特征优化模型，对各节点之间执行信息的...

【技术特征摘要】
1.一种基于图学习的小样本图像识别方法，其特征在于，所述图像识别方法包括：
获取源域样本图像数据集，所述源域样本图像数据集包括多个带有标签的源样本图像；
根据所述源域样本图像数据集，建立基于深度卷积神经网络的特征生成模型；
获取目标域样本图像数据集，所述目标域样本图像数据集包括有多个带有标签的目标样本图像；
利用基于深度卷积神经网络的特征生成模型，提取各目标样本图像的基础特征向量；
以各目标样本图像作为节点，根据各目标样本图像的基础特征向量，建立无向带权图；
根据所述无向带权图及基础特征向量，建立基于图神经网络的特征优化模型；
根据图神经网络的特征优化模型，对各节点之间执行信息的传递和聚合，得到优化特征向量；
根据所述优化特征向量，建立基于非线性回归网络的特征距离函数；
基于所述基础特征向量、优化特征向量和特征距离函数，建立图像识别模型，所述图像识别模型用于确定两图像之间的距离；
根据所述优化特征向量，建立对比损失函数；
基于目标域样本图像数据集，采用随机梯度下降方法优化所述图像识别模型的参数直到对比损失函数收敛，以确定面向小样本图像的识别模型；
根据所述面向小样本图像的识别模型，确定所述待测样本图像的所属类别。


2.根据权利要求1所述的基于图学习的小样本图像识别方法，其特征在于，根据以下公式确定基于深度卷积神经网络的特征生成模型：
X＝Φ(x)；
其中，Φ表示深度卷积神经网络，x表示输入的目标样本图像，X表示输出的基础特征向量。


3.根据权利要求1所述的基于图学习的小样本图像识别方法，其特征在于，所述以各目标样本图像作为节点，根据各目标样本图像的基础特征向量，建立无向带权图，具体包括：
根据以下公式，确定所述邻接矩阵中的各元素：



其中，Ai，j表示图中的节点i与节点j之间的距离，表示节点i的基础特征向量，表示节点j的基础特征向量，表示距离函数；Ai，j为图像Graph的邻接矩阵A中的元素；
根据所述邻接矩阵A，建立无向带权图G：
G＝(V,E)；
其中，E表示节点之间的边权，是可学习的参数，V表示图像Graph的节点集合。


4.根据权利要求1所述的基于图学习的小样本图像识别方法，其特征在于，根据以下公式，建立基于图神经网络的特征优化模型：









其中，A表示图的邻接矩阵，I表示单位矩阵，表示的度矩阵，θ(k)表示图神经网络第k层的参数矩阵，X(k)表示图神经网络第k层的所有节点，ρ表示激活函数；
所述特征优化模型为X(k+1)＝ρ(LX(k)θ(k))；
其中，X(0)表示基础特征向量，X(k)，k＞0表示优化特征向量。


5.根据权利要求1所述的基于图学习的小样本图像识别方法，其特征在于，根据以下公式，基于非线性回归网络的特征距离函数：



其中，k为图神经网络的层数序号，k＞0，表示节点i的优化特征向量，表示节点j的优化特征向量，表示优化特征向量与优化特征向量的距离函数，θ表示可学习参数，NonLinearRegθ(·)表示带有可学习参数θ的非线性回归函数，abs(·)表示绝对值函数。


6.根据权利要求1所述的基于图学习的小样本图像识别方法，其特征在于，根据以下公式，建立对比损失函数：






其中，L表示对比损失值，N表示节点数量，i、j表示节点序号，k为图神经网络的层数序号，k＞0，d表示特征向量与特征向量的欧氏距离，||.||2表示L2范数，y表示图像类别是否匹配的标签，y＝1代表两幅图像属于一个类别，y＝0代表两幅图像不属于一个类别，margin表示预设的阈值，所述特征向量包括基础特征向量和优化特征向量。


7.根据权利要求1所述的基于图学习的小样本图像识别方法，其特征在于，根据以下公式，确定所述待测样本图像的所属类别：
y*＝csign(argmax(fΘ(x*,X′)))；
其中，y*表示所述类别，x*表示未知标签的测试图像样本，X′表示目标域样本图像数据集，fΘ(·)表示面向小样本图像的识别模型，argmax(·)表示获取与测试样本图像距离最近的标注样本图...

【专利技术属性】
技术研发人员：王博，李兵，胡卫明，原春锋，
申请(专利权)人：中国科学院自动化研究所，
类型：发明
国别省市：北京;11