任务注意力引导的小样本图像互补学习分类算法制造技术

本发明专利技术提供了一种任务注意力引导的小样本图像互补学习分类算法。首先，设计了一个双分支的多部位互补特征学习模块，融合多个显著部位的判别特征，使网络深度探索和利用特征图的整个空间区域，从而获取更多的判别信息；然后，引入了任务相关的注意力引导模块，通过强化或抑制元学习者提供的部分知识，找出与当前任务相关的代表性特征，通过这种方法使神经网络获得区分当前输入类别的最重要特征的能力。通过将多部位互补特征学习模块和任务相关的注意力模块相结合，可以深入挖掘与当前输入类别最相关的互补特征，提高网络的鉴别能力，在少量训练样本的条件下实现较高的分类精度，具有较高的分类准确度和较好的鲁棒性。

【技术实现步骤摘要】
任务注意力引导的小样本图像互补学习分类算法
本专利技术属图像处理
，具体涉及一种任务注意力引导的小样本图像互补学习分类算法，可以实现小样本条件下新类别图像的快速分类。
技术介绍
近年来深度学习在许多数据密集型的应用中取得了显著的效果，如目标检测、图像分类和语义分割等。然而深度学习技术的性能严重依赖于标注数据量的大小，并且缺乏在低数据状态下的学习能力和泛化能力。在现实生活中，标注数据的大量搜集存在一定的困难，极大的限制了深度学习的进一步发展。一方面，在某些特定的领域，如军事领域，由于种种限制很难获取大量的样本。另一方面，海量数据的标注需要大量的人力和物力。特别在某些专业领域，数据的标注工作需要行业内的专家进行，给大量数据的标注工作带来了极大的困难。小样本学习利用先验知识，在面对仅有少量标注数据的新类别时具有较高的分类准确率。目前已有的小样本图像分类方法，概括起来可以分为基于模型的小样本图像分类算法、基于度量的小样本图像分类算法、基于优化的小样本图像分类算法和基于数据扩增的小样本图像分类算法四大类。基于模型的方法旨在通过设计模型结构快本文档来自技高网...

【技术保护点】
1.一种任务注意力引导的小样本图像互补学习分类算法，其特征在于步骤如下：/n步骤1，数据预处理：将图像数据集C分为基类C

【技术特征摘要】
1.一种任务注意力引导的小样本图像互补学习分类算法，其特征在于步骤如下：
步骤1，数据预处理：将图像数据集C分为基类Cbase和新类Cnovel两个子集，Cbase中的图像为具有类别标记的训练图像，新类Cnovel中每个类别仅有k张标记图像，k的取值范围为[1,20]；对基类Cbase中的图像进行预处理操作，得到预处理后的基类图像；从新类Cnovel中随机抽取若干组图像模拟小样本条件，每一组图像为一个任务，每一个任务包含n个类别，每个类别包含k张标记图像和m张不带标记的图像，其中，带标记的图像记为支持图像，不带标记的图像记为查询图像，对支持图像和查询图像分别进行预处理操作，得到预处理后的图像；所述的预处理操作为利用均值和标准差进行归一化处理；n的取值范围是[1,5]，k的取值范围为[1,20]，m取值15；
步骤2，构建元学习者网络：元学习者网络由骨干网络fθ和头部网络fφ组成，骨干网络fθ为VGG网络的前w个卷积层，w取值为5；头部网络fφ包含若干个不同卷积核大小的卷积操作，其中，前p层的卷积核大小为3×3，后q层的卷积核大小为1×1，p取值为2，q取值为1；
利用基类Cbase中的所有预处理后的图像对元学习者网络进行训练，得到预训练好的元学习者网络；其中，网络的损失函数采用交叉熵损失函数；
步骤3，构建基础学习者网络：以预训练好的元学习者网络为基础，修改其头部网络fφ，得到基础学习者网络；其中，修改后的头部网络fφ主要包括多部位互补特征学习模块和任务相关的注意力模块两个模块；
所述的多部位互补特征学习模块由顺序连接的分支A和分支B组成，具体为：骨干网络fθ的输出特征Fm输入到分支A，经过两层卷积核大小为3×3的卷积层和一层卷积核大小为1×1的卷积层，得到具有n通道的特征表示Fha，Fha中响应最大的特征维度为目标类别的激活映射，对获取的激活映射进行阈值化操作得到对应物体最显著部位的特征maskA，阈值化操作的阈值参数为预先定义参数，取值范围为[0.5,0.9]；接着，在Fm上将maskA所对应的值置零，得到不包括maskA的特征图F′m，将F′m输入到分支B，输出特征Fhb；分支B包括两层卷积核大小为3×3的卷积层和一层卷积核大小为1×1的卷积层；
所述的任务相关的注意力模块的具体实现过程为：首先，通过全局平均池化操作对骨干网络fθ的输出特征Fm的每个通道特征进行压缩，得到C个通道的全局表示特征s＝[s1,s2,...,sC]，其中，si表示第i个通道特征的平均特征，i＝1,2,…C，C表示特征Fm的...

【专利技术属性】
技术研发人员：程塨，李瑞敏，郎春博，韩军伟，郭雷，
申请(专利权)人：西北工业大学，
类型：发明
国别省市：陕西;61