一种基于关系网络的少样本分类方法及系统技术方案

本发明专利技术公开了一种基于关系网络的少样本分类方法及系统，该方法包括：引入强化学习，基于图像样本对A2

【技术实现步骤摘要】
一种基于关系网络的少样本分类方法及系统


[0001]本专利技术涉及图像处理领域，尤其涉及一种基于关系网络的少样本分类方法及系统。

技术介绍

[0002]少样本分类问题是数据稀疏问题，相较于深度学习来说，少样本分类是从少量样本数据中训练和测试，以学得一个良好的分类器。现有的深度学习网络结构对于少样本分类问题不能起到很好的泛化作用，应该考虑采取全新的网络构造样本。此外，目前的少样本分类方法采用复杂的推理机制或者复杂的网络体系结构，或者是对目标问题进行微调，样本分类精度低，现阶段缺乏简单、灵活、容易应用的一般性解决方案。

技术实现思路

[0003]为了解决上述技术问题，本专利技术的目的是提供一种基于关系网络的少样本分类方法及系统，在少样本的情况下实现高精度的样本分类。
[0004]本专利技术所采用的第一技术方案是：一种基于关系网络的少样本分类方法，包括以下步骤：
[0005]S1、引入强化学习，基于图像样本对A2
‑
RL模型进行训练，得到训练完成的A2
‑
RL模型；
[0006]S2、基于训练完成的A2
‑
RL模型对原始图像库的图像进行图像裁剪，得到裁剪后图像；
[0007]S3、基于预构建的关系网络对裁剪后图像进行分类。
[0008]进一步，所述基于强化学习对A2
‑
RL模型进行训练，得到训练完成的A2
‑
RL模型这一步骤，其具体包括：
[0009]S11、初始化A2<br/>‑
RL模型的裁剪窗口和经验池；
[0010]S12、输入图像样本；
[0011]S13、A2
‑
RL模型根据输入图像和裁剪窗口生成观测值；
[0012]S14、A2
‑
RL模型根据观测值和经验池从预定义的动作空间获取相应的动作；
[0013]S15、执行该动作，生成美学奖励并调整裁剪窗口的形状和位置；
[0014]S16、循环步骤S12
‑
S15直至循环次数达到最大步骤次数，生成最佳裁剪窗口，得到训练完成的A2
‑
RL模型。
[0015]进一步，所述回报奖励的生成公式表示如下：
[0016][0017]上式中，γ作为折扣因子，r
t
是在步骤t时得到的美学奖励，i表示样本数，V(s
t
；θ
v
)是在状态s
t
时的值输出，θ
v
表示网络结构的参数，k的取值范围为[0，t
max
]，t
max
表示最大步骤次数。
[0018]进一步，所述关系网络包括嵌入模块和关系模块。
[0019]进一步，所述基于预构建的关系网络对裁剪后图像进行分类这一步骤之前还包括关系网络的训练步骤，其具体包括：
[0020]基于图像样本构建样本数据集、查询数据集；
[0021]将查询数据集中的样本与样本数据集中的样本通过嵌入模块生成训练特征映射；
[0022]将训练特征映射通过串联函数进行组合，得到深度特征映射级联；
[0023]将深度特征映射级联馈送到关系模块，生成训练关系评分；
[0024]采用均方误差作为关系网络的损失值计算，优化关系网络参数，得到训练后的关系网络。
[0025]进一步，所述基于预构建的关系网络对裁剪后图像进行分类这一步骤，其具体包括：
[0026]将裁剪后图像输入至关系网络，经过嵌入模块生成对应的特征映射级联；
[0027]将特征映射级联输入至关系模块，生成关系评分；
[0028]根据关系评分得到原始图像库中各个图像的相似度。
[0029]本专利技术所采用的第二技术方案是：一种基于关系网络的少样本分类系统，包括：
[0030]强化学习模块，用于引入强化学习，基于图像样本对A2
‑
RL模型进行训练，得到训练完成的A2
‑
RL模型；
[0031]图像裁剪模块，基于训练完成的A2
‑
RL模型对原始图像库的图像进行图像裁剪，得到裁剪后图像；
[0032]分类模块，基于预构建的关系网络对裁剪后图像进行分类。
[0033]本专利技术方法及系统的有益效果是：本专利技术首先采用图像自动裁剪方法，将原始图像进行处理已保留最具有特征性信息，去除无关和冗余的特征。然后提出关系网络模型,将裁剪后的图像输入到该网络中，进行少样本分类学习，提高少样本分类的精度。
附图说明
[0034]图1是本专利技术一种基于关系网络的少样本分类方法的步骤流程图；
[0035]图2是本专利技术一种基于关系网络的少样本分类系统的结构框图；
[0036]图3是本专利技术具体实施例关系网络的示意图。
具体实施方式
[0037]下面结合附图和具体实施例对本专利技术做进一步的详细说明。对于以下实施例中的步骤编号，其仅为了便于阐述说明而设置，对步骤之间的顺序不做任何限定，实施例中的各步骤的执行顺序均可根据本领域技术人员的理解来进行适应性调整。
[0038]本专利技术将以地质灾害易发性评价为基础，考虑降雨诱发因素下地质灾害发育的规律，对地质灾害发生的可能性进行定性定量评价。
[0039]参照图1，本专利技术提供了一种基于关系网络的少样本分类方法，该方法包括以下步骤：
[0040]S1、引入强化学习，基于图像样本对A2
‑
RL模型进行训练，得到训练完成的A2
‑
RL模型；
[0041]S2、基于训练完成的A2
‑
RL模型对原始图像库的图像进行图像裁剪，得到裁剪后图像；
[0042]具体地，把强化学习思想引入到自动图像裁剪中，将整个图像自动裁剪看作是一个序列决策过程。让强化学习模型中的智能体与自动裁剪环境进行交互，从定义的动作空间中采取相应的动作来优化目标。在学习模型中，智能体从输入图像和裁剪窗口接受观测值，然后根据观测值和历史经验从预先定义的动作空间中采取相应动作，智能体执行该动作去调整裁剪窗口的形状和位置。每一次动作之后，智能体根据裁剪图像的美学得分接受一次奖励，通过累积每一次的奖励并将其最大化，从而在原始图像上寻找最佳窗口。
[0043]S3、基于预构建的关系网络对裁剪后图像进行分类，得到分类结果。
[0044]进一步作为本方法的优选实施例，所述基于强化学习对A2
‑
RL模型进行训练，得到训练完成的A2
‑
RL模型这一步骤，其具体包括：
[0045]S11、初始化A2
‑
RL模型的裁剪窗口和经验池；
[0046]S12、输入图像样本；
[0047]S13、A2
‑
RL模型根据输入图像和裁剪窗口生成观测值；
[0048]S14、A2
‑
...

【技术保护点】

【技术特征摘要】
1.一种基于关系网络的少样本分类方法，其特征在于，包括以下步骤：S1、引入强化学习，基于图像样本对A2
‑
RL模型进行训练，得到训练完成的A2
‑
RL模型；S2、基于训练完成的A2
‑
RL模型对原始图像库的图像进行图像裁剪，得到裁剪后图像；S3、基于预构建的关系网络对裁剪后图像进行分类，得到分类结果。2.根据权利要求1所述一种基于关系网络的少样本分类方法，其特征在于，所述引入强化学习，基于图像样本对A2
‑
RL模型进行训练，得到训练完成的A2
‑
RL模型这一步骤，其具体包括：S11、初始化A2
‑
RL模型的裁剪窗口和经验池；S12、输入图像样本；S13、A2
‑
RL模型根据输入图像和裁剪窗口生成观测值；S14、A2
‑
RL模型根据观测值和经验池从预定义的动作空间获取相应的动作；S15、执行该动作，生成美学得分和回报奖励并调整裁剪窗口的形状和位置；S16、循环步骤S12
‑
S15直至循环次数达到最大步骤次数，回报奖励最大化，生成最佳裁剪窗口，得到训练完成的A2
‑
RL模型。3.根据权利要求2所述一种基于关系网络的少样本分类方法，其特征在于，所述回报奖励的生成公式表示如下：上式中，γ作为折扣因子，r
t
是在步骤t时得到的美学奖励，i表示样本数，V(s
t
；θ
v
)是在状态s
t
时的值输出，θ
...

【专利技术属性】
技术研发人员：张碧陶，姚科，高福荣，周表，
申请(专利权)人：广州市香港科大霍英东研究院，
类型：发明
国别省市：