一种基于图像属性特征表述的少样本学习方法技术

本发明专利技术公开了一种基于图像属性特征表述的少样本学习方法，所述少样本学习方法用于对学习系统进行训练，所述少样本学习方法将训练图片输入预训练的学习系统中，用深度神经网络对所述训练图片进行分析，用感知机模型提取所述目标各个属性信息所对应的特征编码，由此得到相似性损失函数，对所述训练图片进行类别判断并得到类别分类损失函数，最终得到整体损失函数，并使用所述整体损失函数对所述学习系统进行训练。本发明专利技术的基于图像属性特征表述的少样本学习方法可以有效提升少样本学习模型对于新的物体类别识别的准确率。

【技术实现步骤摘要】
一种基于图像属性特征表述的少样本学习方法
本专利技术涉及图像特征表征学习领域，具体涉及一种基于图像属性特征表述的少样本学习方法。
技术介绍
近年来，少样本学习在深度学习领域受到越来越多的研究关注。少样本学习研究的关键问题为：给定一个预训练的模型(在少量或者大量的样本上充分训练过)，该模型如何在仅给出极少量样本(一个或者几个)的情况下，完成对新的类别(仅在出现在测试集中，在训练集中没有出现过)的识别。多数学者认为少样本学习研究的本质为寻找好的图像表征，目前学术界通常利用深度学习模型来提取图像的表述特征，但是，深度模型得到的特征往往没有很好的解释性，并且现有技术中少样本学习对图像的分类精度较低，其效果不能满足技术需要。
技术实现思路
为了解决现有技术的问题，本专利技术提供了一种基于图像属性特征表述的少样本学习方法，只要给出少量未标注的样本(一个或者几个，含有训练时未曾见过的类别)，就可以快速对新的类别进行学习。技术方案如下：本专利技术提供了一种基于图像属性特征表述的少样本学习方法，所述少样本学习方法用于对学习系统进行训练本文档来自技高网...

【技术保护点】
1.一种基于图像属性特征表述的少样本学习方法，所述少样本学习方法用于对学习系统进行训练，其特征在于，所述少样本学习方法包括以下步骤：/nS1.将训练图片输入预训练的学习系统中，所述训练图片中包含目标的类别信息和目标的一个或多个属性信息；/nS2.用深度神经网络对所述训练图片进行分析，得到所述训练图片中的深度表述特征；/nS3.用感知机模型提取所述目标各个属性信息所对应的特征编码；/nS4.将步骤S2中所得到的各个深度表述特征与步骤S3中所提取的所述特征编码进行对比，计算所述各个深度表述特征与所述特征编码的相似性的数值，并将整个训练图片中所有的所述相似性的数值累加得到所述训练图片的图片相似性数值...

【技术特征摘要】
1.一种基于图像属性特征表述的少样本学习方法，所述少样本学习方法用于对学习系统进行训练，其特征在于，所述少样本学习方法包括以下步骤：
S1.将训练图片输入预训练的学习系统中，所述训练图片中包含目标的类别信息和目标的一个或多个属性信息；
S2.用深度神经网络对所述训练图片进行分析，得到所述训练图片中的深度表述特征；
S3.用感知机模型提取所述目标各个属性信息所对应的特征编码；
S4.将步骤S2中所得到的各个深度表述特征与步骤S3中所提取的所述特征编码进行对比，计算所述各个深度表述特征与所述特征编码的相似性的数值，并将整个训练图片中所有的所述相似性的数值累加得到所述训练图片的图片相似性数值，根据所述图片相似性数值得到相似性损失函数；
S5.将步骤S2中得到的所述深度表达特征输入类别分类器中，从而对所述训练图片进行类别判断，并得到类别分类损失函数；
S6.根据所述相似性损失函数和所述类别分类损失函数，得到整体损失函数，并使用所述整体损失函数对所述学习系统进行训练。


2.如权利要求1所述的少样本学习方法，其特征在于，步骤S2中，对所述训练图片进行分块处理得到多个分块，每个分块与一个或多个深度表述特征对应；步骤S4中，先逐个计算各个分块对应的所述深度表述特征与所述特征编码的相似性的数值，并将得到的相似性的数值累加得到该分块的相似性数值，再将所有分块的相似性数值累加得到所述训练图片的图片相似性数值。


3.如权利要求2所述的少样本学习方法，其特征在于，所述逐个计算各个分块对应的所述深度表述特征与所述特征编码的相似性的数值的步骤包括：将该分块对应的所有的深度表述特征中的每个深度表述特征与一个或多个所述特征编码依次匹配并计算得到多个相似性的数值。


4.如权利要求1所述的少样本学习方法，其特征在于，所述属性信息包括视觉特性属性信...

【专利技术属性】
技术研发人员：夏瑞雪，李楠楠，
申请(专利权)人：苏州睿萃智能科技有限公司，
类型：发明
国别省市：江苏;32