一种基于转导式推理的均衡小样本任务分类方法技术

本发明专利技术公开了一种基于转导式推理的均衡小样本任务分类方法。该方法包括确定数据集和分类网络，采用二阶段训练方法训练分类网络；利用分类网络提取小样本任务中的图片特征；对这些特征之间的相似矩阵进行迭代更新至符合预设要求；利用相似矩阵来迭代调整支撑集输出的原型特征，并生成新的相似矩阵，直至新的相似矩阵符合预设要求；利用生成的相似矩阵进行均衡小样本任务分类。本发明专利技术为了解决现有技术没有考虑到同一个小样本任务内的支撑集与询问集特征之间的约束关系，没有充分利用转导式推理的优势的问题，利用支撑集和询问集样本之间的相似矩阵的不断更新来解决他们内部特征不匹配的问题，进一步提升了在小样本分类的基准数据集上的性能。准数据集上的性能。准数据集上的性能。

【技术实现步骤摘要】
一种基于转导式推理的均衡小样本任务分类方法


[0001]本专利技术涉及一种均衡小样本任务分类方法，尤其涉及一种基于转导式推理的均衡小样本任务分类方法。

技术介绍

[0002]深度学习模型在各种任务中都达到了人类的水平。这些模型的成功很大程度上依赖于从大规模标记数据集中进行的学习。尽管如此，如果只给定一些新类的几个带标签实例的话，他们很难泛化到这些新的类上。相比之下，人类可以利用以往的经验和相关背景，很容易地从少数例子中学习新的任务。小样本学习已经成为弥合这一差距的吸引人的例子。在标准的小样本学习场景下，模型首先在初始数据集(通常称为基类)上根据大量标记数据进行训练。然后，对于新类的数据的监督学习将被限制在每类仅有1个或几个的情况。该模型在小样本任务上进行评估，每个任务由每个新类的几个带标签的数据(支撑集)以及未带标签的数据构成(询问集)。
[0003]一个具体的小样本任务是这样构造的：给定一个数据集(模型训练的时候使用基类数据集，测试的时候使用新类的数据集)，这个数据集对应着一个标签空间。我们首先从这个标签空间中采样出N个不同的标签(即本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于转导式推理的均衡小样本任务分类方法，其特征在于，包括以下步骤：S1、选取数据集和分类网络，采用二阶段训练方法训练分类网络；S2、利用步骤S1中训练好的分类网络提取小样本任务中的图片特征；S3、对步骤S2提取的特征之间的相似矩阵进行更新；S4、判断步骤S3中更新后的相似矩阵是否符合预设要求，若是，执行步骤S5，否则返回步骤S3；S5、利用步骤S3中更新好的相似矩阵调整支撑集输出的原型特征，并生成新的相似矩阵；S6、判断步骤S5中生成的新的相似矩阵是否符合预设要求，若是，执行步骤S7，否则返回步骤S3；S7、利用步骤S5生成的相似矩阵进行均衡小样本任务分类。2.如权利要求1所述的一种基于转导式推理的均衡小样本任务分类方法，其特征在于，所述步骤S1包括以下分步骤：S11、选取基准数据集，将其划分为训练集、验证集和数据集，将训练集作为基类数据集，测试集作为新类数据集；S12、对深度残差网络进行调整，得到18层的残差网络ResNet
‑
18，将其作为分类网络；S13、采用交叉熵作为损失函数，在基类数据集上对分类网络进行训练；S14、将步骤S13训练后的分类网络的全连接层去掉并固定其余网络层的参数，得到训练好的分类网络。3.如权利要求2所述的一种基于转导式推理的均衡小样本任务分类方法，其特征在于，所述步骤S2具体包括：利用训练好的分类网络对新类数据中的图片进行特征提取，并对支撑集和询问集重新进行定义：S
←
{f
θ
(x)|x∈S}Q
←
{f
θ
(x)|x∈Q}其中S为支撑集，Q为询问集，x为新类数据中的图片，f
θ
(
·
)为训练好的分类网络。4.如权利要求3所述的一种基于转导式推理的均衡小样本任务分类方法，其特征在于，所述步骤S3包括以下分步骤：S31、定义相似矩阵A和相似矩阵B，A和B内的元素a
ij
和b
ij
定义如下：a
ij
＝d(x
i
,x
j
...

【专利技术属性】
技术研发人员：骆春波，王亚宁，罗杨，刘子健，张富鑫，吴骁峰，费皓麟，方泊航，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：