【技术实现步骤摘要】
基于元学习的少样本图像情感分类方法
本专利技术属于机器学习(MachineLearning)中的神经网络(NeuralNetworks,NN)领域,涉及基于深度学习的图像情感分类方法,尤其涉及基于元学习的少样本图像情感分类。
技术介绍
一些心理学研究表明,人类的情绪反应会随着不同的视觉刺激而变化,尤其是,图片对于吸引人们的注意力和激励他们采取行动是非常重要的。先前的各种研究表明,对于某些消费者来说,在无法真实地触摸产品的情况下,图片可以导致对更高产品质量的感知,这使得这种视觉暗示显得尤为重要。在电子商务场景中,图片也会对买家意向、信任度、风险降低、转化率和点击率产生影响。在一些慈善募捐活动中,“捐款呼吁材料”中积极和消极情绪的结合会激发观众捐款。受心理学和艺术理论的启发,各种与视觉内容的情感反应相关的人为设计的图像特征被识别并纳入图像情感分类任务,例如8种不同的像素级别的特征(颜色、纹理、构图等),并且相关研究也证明了它们对于分析图像情感非常重要。另一方面,随着机器学习(特别是深度学习)的发展,卷积神经网络在图像的语义内容识别方面取得了巨大成功,因此也产生了使用各种深度表示模型来提取层次化的潜在特征的模型,以提高图像的情感预测能力。例如结合卷积神经网络和支持向量机(SupportVectorMachine,SVM)来检测大规模图像数据集上的图像的情感。然而现有图像情感分类方法都需要大量的有情感标签。而在实际应用中,具有情感标签的图像的数量往往是有限的,因为要获得足够的具有情感标签的图像需要大量的人力物 ...
【技术保护点】
1.一种基于元学习的少样本图像情感分类方法,其特征在于所使用的数据集包括用于元学习的元训练阶段的源数据集和用于目标图像情感分类的目标数据集,所述基于元学习的少样本图像情感分类方法包括以下步骤:/nS1利用源数据集和目标数据集构建元训练任务和元测试任务/n依据目标数据集中图像情感类别和图像数量,首先在源数据集随机采样与目标数据集中图像情感类别数量相同的图像情感类别;再在所有属于随机采样到的图像情感类别的图像样本中随机采样与目标数据集中具有情感标签信息的图像数量相同的图像样本,得到一个支持集;然后从所有属于随机采样到的图像情感类别的剩余图像样本中随机采样若干样本作为查询集;所述支持集和查询集构成即为在源数据集上采样出的一个少样本情感分类的元训练任务;/n重复上述操作,即可获得多个元训练任务;/n将对目标数据集的分类任务称为元测试任务;/nS2学习元训练任务/n利用分类模型在随机采样出来的多个元训练任务上进行元学习,通过多个小批次的训练,优化分类模型初始化参数;/nS3对目标数据集图像情感分类/n利用学习到的分类模型应用到目标数据集,执行元测试任务;首先使用目标数据集中的带有情感标签信息的图 ...
【技术特征摘要】
20200901 CN 20201090493051.一种基于元学习的少样本图像情感分类方法,其特征在于所使用的数据集包括用于元学习的元训练阶段的源数据集和用于目标图像情感分类的目标数据集,所述基于元学习的少样本图像情感分类方法包括以下步骤:
S1利用源数据集和目标数据集构建元训练任务和元测试任务
依据目标数据集中图像情感类别和图像数量,首先在源数据集随机采样与目标数据集中图像情感类别数量相同的图像情感类别;再在所有属于随机采样到的图像情感类别的图像样本中随机采样与目标数据集中具有情感标签信息的图像数量相同的图像样本,得到一个支持集;然后从所有属于随机采样到的图像情感类别的剩余图像样本中随机采样若干样本作为查询集;所述支持集和查询集构成即为在源数据集上采样出的一个少样本情感分类的元训练任务;
重复上述操作,即可获得多个元训练任务;
将对目标数据集的分类任务称为元测试任务;
S2学习元训练任务
利用分类模型在随机采样出来的多个元训练任务上进行元学习,通过多个小批次的训练,优化分类模型初始化参数;
S3对目标数据集图像情感分类
利用学习到的分类模型应用到目标数据集,执行元测试任务;首先使用目标数据集中的带有情感标签信息的图像样本对分类模型初始化参数进行微调,再使用初始参数微调后的分类模型对目标数据集中剩余的图像进行情感分类。
2.根据权利要求1所述基于元学习的少样本图像情感分类方法,其特征在于步骤S1中,给定源数据集为Dtrain,目标数据集为Dtest,目标数据集上的元测试任务是一个N-Way,K-Shot的分类任务,N表示目标数据集总的类别个数,K表示每个类别具有情感标签信息的图像数;具体的一次随机采样过程如下:在源数据集Dtrain所属的类别集合Ctrain中随机采样N个类别,作为这个任务的总的类别;再在所有属于这N个类别的样本中随机采样N*K个图像样本作为这个任务的支持集;最后在属于这N个类别的剩余图像样本中随机采样P个图像样本作为这个任务的查询集;至此,在源数据集上采样出了一个元训练任务;重复上述操作多次即可获得多个随机采样得到的元训练任务。
3.根据权利要求1或2所述基于元学习的少样本图像情感分类方法,其特征在于步骤S2包括以下分步骤:
S21将所有元训练任务分为L批次元训练阶段,并令l从l=1开始;
S22对于第l批次元训练阶段,利用分类模型对该批次内的所有元训练任务进行学习,并使用梯度下降算法对分类模型初始化参数进行优化更新;
S23判断分类模型是否收敛,若模型收敛,进入步骤S3;否则进入步骤S24;
S24判断元训练阶段次数是否达到最大次数L,若达到最大次数L,则令l=1,返回步骤S22;否则,将元训练阶段次数在l基础上...
【专利技术属性】
技术研发人员:周帆,曹丞泰,钟婷,王天亮,
申请(专利权)人:电子科技大学,
类型:发明
国别省市:四川;51
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。