一种基于双元组扩充的小样本图像分类方法及装置制造方法及图纸

本发明专利技术公开了一种基于双元组扩充的小样本图像分类方法及装置。其中，该方法包括：使用第一网络模型对待分类图像进行特征提取，得到提取特征结果，其中，第一网络模型来自孪生网络的任何一个，孪生网络是利用样本集中的训练集进行训练后得到的两个级联的卷积神经网络，样本集通过对小样本图像集使用双元组扩充得到，样本集中的每个元素为一个双元组；确定提取特征与K均值聚类模型的每一类聚类中心的距离，其中，聚类中心通过对样本集的特征进行处理得到；确定距离最小的聚类中心所属的类别为待分类图像的类别。本发明专利技术解决了现有技术中由于样本数量过少，导致训练的模型过拟合、不够精确的技术问题。

【技术实现步骤摘要】
一种基于双元组扩充的小样本图像分类方法及装置
本专利技术涉及图像处理领域，具体而言，涉及一种基于双元组扩充的小样本图像分类方法及装置。
技术介绍
深度学习取得了巨大的成就，在各种计算机视觉挑战性问题上实现了类似于人类水平甚至超越人类水平的性能。卷积神经网络(ConvolutionalNeuralNetwork，CNN)是常用的进行图像分类的深度学习方法之一。然而，卷积神经网络之所以有较高的准确率，是因为其建立在大规模且质量较高的数据集之上的，需要大量携带标记的样本。但在实际应用中，或在一些特殊场景中(譬如医疗、遥感图像等领域)，我们无法获得大量的高质量样本集，勉强训练好的模型在测试数据上的泛化性能较差，甚至出现过拟合的现象。针对现有技术中由于样本数量过少，导致训练的模型不够精确的技术问题，目前尚未提出有效的解决方案。
技术实现思路
本专利技术实施例提供了一种基于双元组扩充的小样本图像分类方法及装置，以至少解决现有技术中由于样本数量过少，导致训练的模型过拟合、不够精确的技术问题。根据本专利技术实施例的一本文档来自技高网...

【技术保护点】
1.一种基于双元组扩充的小样本图像分类方法，其特征在于，包括：/n使用第一网络模型对待分类图像进行特征提取，得到提取特征结果，其中，所述第一网络模型来自孪生网络的任何一个，所述孪生网络是利用样本集中的训练集进行训练后得到的两个级联的卷积神经网络，所述样本集通过对小样本图像集使用双元组扩充得到，所述样本集中的每个元素为一个双元组；/n确定所述提取特征结果与K均值聚类模型的每一类聚类中心的距离，其中，所述聚类中心通过对所述样本集的特征进行处理得到；/n确定所述距离最小的聚类中心所属的类别为所述待分类图像的类别。/n

【技术特征摘要】
1.一种基于双元组扩充的小样本图像分类方法，其特征在于，包括：
使用第一网络模型对待分类图像进行特征提取，得到提取特征结果，其中，所述第一网络模型来自孪生网络的任何一个，所述孪生网络是利用样本集中的训练集进行训练后得到的两个级联的卷积神经网络，所述样本集通过对小样本图像集使用双元组扩充得到，所述样本集中的每个元素为一个双元组；
确定所述提取特征结果与K均值聚类模型的每一类聚类中心的距离，其中，所述聚类中心通过对所述样本集的特征进行处理得到；
确定所述距离最小的聚类中心所属的类别为所述待分类图像的类别。


2.根据权利要求1所述的方法，其特征在于，所述样本集通过对小样本图像集使用双元组扩充得到，包括：
通过排列组合的方式处理所述小样本图像集，得到扩充后的双元组正样本集和双元组负样本集；
根据所述双元组正样本集和所述双元组负样本集，得到所述样本集。


3.根据权利要求2所述的方法，其特征在于，通过以下公式计算所述样本集的数量K：



其中，m表示所述小样本图像集包括的类别数量，n表示每个类别包括的图像数量。


4.根据权利要求1所述的方法，其特征在于，所述样本集中每一个元素的最终标签通过以下步骤确定：
通过所述样本集训练第二网络模型，得到训练好的第二网络模型，其中，所述第二网络模型为卷积神经网络；
使用训练好的所述第二网络模型提取所述元素的两个特征向量，对所述特征向量做余弦相似度处理，并将处理后的结果与第一阈值比较，得到第一处理结果；
根据所述元素的原始标签直接进行判断，得到第二处理结果；
对所述第一处理结果和所述第二处理结果进行加权计算，得到所述最终标签。


5.根据权利要求4所述的方法，其特征在于，所述第二网络模型的损失函数L表示如下：
L＝L0+L2






其中，L0表示交叉熵，L2表示第二正则项，y表示当前...

【专利技术属性】
技术研发人员：王隽程，耿杰，蒋雯，邓鑫洋，刘江浩，
申请(专利权)人：西北工业大学，
类型：发明
国别省市：陕西;61