一种基于小样本学习的图像特征提取装置制造方法及图纸

本发明专利技术提供一种基于小样本学习的图像特征提取装置，包括第一多通道特征加权模块、第二多通道特征加权模块、卷积模块、第一多尺度特征融合模块和第二多尺度特征融合模块；所述第一多通道特征加权模块、所述第二多通道特征加权模块及所述卷积模块依次连接；所述第一多尺度特征融合模块与所述第二多尺度特征融合模相连；所述第一多尺度特征融合模块分别与所述第二多通道特征加权模块及所述卷积模块相连；所述第二多尺度特征融合模块与所述第一多通道特征加权模块相连。本发明专利技术通过多通道特征加权模块和多尺度特征融合模块对小样本图像数据集进行特征提取，能够有效提高小样本分类的准确率。

【技术实现步骤摘要】
一种基于小样本学习的图像特征提取装置
本专利技术涉及图像处理
，特别涉及一种基于小样本学习的图像特征提取装置。
技术介绍
近几年来大数据技术、卷积神经网络和计算及性能都在飞速发展，大规模数据的图像任务，例如图像分类、目标检测、图像分割等都已经发展的非常成熟。然而目前主流的深度学习网络模型都针对样本数量较大的任务提出，而忽略了现实生活中大多数任务场景下数据量稀缺的问题。而相比较于机器，人类只需少量样本就可以达到相当准确的学习效果，这主要是因为，在人类在漫长的进化过程中获得了快速捕捉样本区分性特征的能力。同样，在图像样本十分稀缺的情况下，如何在仅有的样本中提取最能代表该类的特征成为了提高任务正确率的关键。
技术实现思路
本专利技术的目的在于提供一种基于小样本学习的图像特征提取装置，多通道特征加权模块和多尺度特征融合模块对小样本图像数据集进行特征提取，能够有效提高小样本分类的准确率。为实现上述目的，本专利技术提供了如下方案：本专利技术提供一种基于小样本学习的图像特征提取装置，其特征在于，包括第一多通道特征加权模块、第二多通道本文档来自技高网...

【技术保护点】
1.一种基于小样本学习的图像特征提取装置，其特征在于，包括第一多通道特征加权模块、第二多通道特征加权模块、卷积模块、第一多尺度特征融合模块和第二多尺度特征融合模块；/n所述第一多通道特征加权模块、所述第二多通道特征加权模块及所述卷积模块依次连接；/n所述第一多尺度特征融合模块与所述第二多尺度特征融合模相连；/n所述第一多尺度特征融合模块分别与所述第二多通道特征加权模块及所述卷积模块相连；/n所述第二多尺度特征融合模块与所述第一多通道特征加权模块相连。/n

【技术特征摘要】
1.一种基于小样本学习的图像特征提取装置，其特征在于，包括第一多通道特征加权模块、第二多通道特征加权模块、卷积模块、第一多尺度特征融合模块和第二多尺度特征融合模块；
所述第一多通道特征加权模块、所述第二多通道特征加权模块及所述卷积模块依次连接；
所述第一多尺度特征融合模块与所述第二多尺度特征融合模相连；
所述第一多尺度特征融合模块分别与所述第二多通道特征加权模块及所述卷积模块相连；
所述第二多尺度特征融合模块与所述第一多通道特征加权模块相连。


2.根据权利要求1所述的基于小样本学习的图像特征提取装置，其特征在于，所述第一多通道特征加权模块用于对图像数据集进行第一次特征提取及特征加权，得到具有权重的第一多通道特征。


3.根据权利要求2所述的基于小样本学习的图像特征提取装置，其特征在于，所述第二多通道特征加权模块用于对所述具有权重的第一多通道特征进行第二次特征提取及特征加权，得到具有权重的第二多通道特征。


4.根据权利要求3所述的基于小样本学习的图像特征提取装置，其特征在于，所述卷积模块用于对所述具有权重的第二多通道特征进行特征提取及加权，得到具有权重的第三多通道特征，并根据第三多通道特征输出多通道加权特征图。


5.根据权利要求2-4任一项所述的基于小样本学习的图像特征提取装置，其特征在于，所述第一多尺度特征融合模块用于接收所述具有权重的第二多通道特征及所述具有权重的第三多通道特征并进行特征融合；
所述第二多尺度特征融合模块用于接收所述具有权重的第一多通道特征及所述第一多尺度特征融合模块的输出结果并进行特征融合，输出多尺度融合特征图。


6.根据权利要求2所述的基于小样本学习的图像特征提取装置，其特征在于，所...

【专利技术属性】
技术研发人员：庞善民，刘飒，
申请(专利权)人：西安交通大学，
类型：发明
国别省市：陕西;61