【技术实现步骤摘要】
一种基于小样本学习的图像分类方法、系统、存储介质及终端
[0001]本专利技术涉及计算机的深度学习
,特别涉及一种基于小样本学习的图像分类方法、系统、存储介质及终端。
技术介绍
[0002]随着深度学习的发展,人们提出了一种基于深度神经网络的图像分类方法,并需要通过大量的样本进行训练,使得深度神经网络具有更好的性能。然而,在某些实际应用中,例如对象跟踪或对象检测,我们可能只有有限的样本,因此很难建立大量有价值、已标记的样本集。因此小样本学习作为元学习在监督学习领域的应用,通过构建不同的元任务以解决m-way k-shot问题,适用于少量样本情况下提高分类模型的泛化能力。
[0003]现有小样本学习方法主要包括基于模型、基于度量、基于优化的学习方法。其中基于度量的学习方法通过计算支持集和查询集中样本间的距离度量,借助非参数的方法(最近邻、K近邻、K均值等)来分类,实现同类样本距离最近,异类样本距离最远的目的。基于度量的学习方法存在问题如下:这些方法通过将支持集和查询集的样本嵌入到特征空间,但是没有充分利用这些提取到的样本特征,这将使得分类模型的泛化能力下降。
技术实现思路
[0004]本申请实施例提供了一种基于小样本学习的图像分类方法、系统、存储介质及终端。为了对披露的实施例的一些方面有一个基本的理解,下面给出了简单的概括。该概括部分不是泛泛评述,也不是要确定关键/重要组成元素或描绘这些实施例的保护范围。其唯一目的是用简单的形式呈现一些概念,以此作为后面的详细说明的序言。
[000 ...
【技术保护点】
【技术特征摘要】
1.一种基于小样本学习的图像分类方法,其特征在于,所述方法包括:确定待分类的图像数据集;抽取所述图像数据集中多个类别的第一图像数据样本,并基于所述多个类别的图像数据样本建立图像支持集;从所述图像数据集中抽取后剩余的图像数据样本中再次抽取多个类别的第二图像数据样本,并基于所述多个类别的第二图像数据样本建立图像查询集;其中,所述第二图像数据样本的类别数量小于第一图像数据样本的类别数量;根据所述图像支持集对预先训练的小样本分类网络进行泛化处理,并将所述图像查询集中各图像数据样本输入所述泛化处理后的小样本分类网络中,输出所述各图像数据样本的类别。2.根据权利要求1所述的方法,其特征在于,所述将所述图像查询集中各图像数据样本输入所述泛化处理后的小样本分类网络中,输出所述各图像数据样本的类别,包括:基于所述泛化处理后的小样本分类网络计算所述图像查询集中各图像数据样本与所述图像支持集之间的多个类别相似度,并将所述各图像数据样本对应的多个类别相似度中最大类别相似度进行标记;输出所述各图像样本数据的类别。3.根据权利要求1所述的方法,其特征在于,所述小样本分类网络包括特征提取层、注意力增强层、特征融合层、特征分类层以及类别输出层;所述基于所述泛化处理后的小样本分类网络计算所述图像查询集中各图像数据样本与所述图像支持集之间的多个类别相似度,并将所述各图像数据样本对应的多个类别相似度中最大类别相似度进行标记,包括:特征提取层分别提取所述图像支持集和图像查询集各自对应的特征图集合;其中,所述特征图集合为多层的特征图,每个层的特征图包含多个通道,每个通道对应一个特征图;注意力增强层通过全局平均池化网络分别提取出所述每个层特征图对应的权重向量,并对所述特征图对应的查询特征和支持特征互相加权,得到加权后的查询特征和支持特征;注意力增强层根据归一化算法对特征图对应的查询特征和支持特征构建归一化的注意力分数图,并根据归一化的注意力分数图对所述加权后的查询特征和支持特征二次加权,生成二次加权后的查询增强特征和支持增强特征;特征融合层将所述加权后的查询特征和支持特征和二次加权后的查询增强特征和支持增强特征进行特征拼接,生成查询融合特征和支持融合特征;特征分类层将所述查询融合特征和支持融合特征进行相似概率值计算,生成查询融合特征和支持融合特征的多个相似程度概率值;类别输出层将所述多个相似程度概率值进行降序排列,并提取所述排列在第一位的相似程度概率值进行类别标记后输出样本的类别标记。4.根据权利要求1所述的方法,其特征在于,按照下述方法训练小样本分类网络,包括:采集训练图像数据样本;针对所述训练图像数据样本构建多个小样本网络训练任务;针对所述多个小样本网络训练任务中每一个小样本网络训练任务,分别提取出图像支
持集和图像查询集;创建小样本分类网络,并基于所述图像支持集和图像查询集对小样本分类网络进行训练;当所述训练后的小样本分类网络的损失值小于预设值时,生成预先...
【专利技术属性】
技术研发人员:赵磊,方红波,廖旻可,
申请(专利权)人:特斯联科技集团有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。