【技术实现步骤摘要】
一种用于神经网络小样本学习的空间电势度量方法和系统
[0001]本专利技术涉及机器学习领域,特别涉及一种用于神经网络小样本学习的空间电势度量方法和系统。
技术介绍
[0002]近年来,深度学习模型在计算机视觉任务中取得了重大的突破,如图像分类、语义分割和目标检测等等,通过对大量的数据样本进行训练迭代,模型便可以在实际应用中表现出甚至高于人类的能力。在大多数学习任务中,深度学习表现出优越性能的先决条件往往是拥有大量标记的样本,当学习任务发生细微改变时,通常会导致结果崩塌。相反,人类可以从少量的示例中概括出重要的知识,并将其应用到新的场景中,我们将这种能力称为学会学习的能力,即元学习。
[0003]小样本学习是元学习领域的一大应用,能够有效解决小数据集下模型出现过拟合等问题,因此,基于深度学习的小样本学习具有更大的潜力。与传统深度学习模型配合良好的微调技术,在仅有的几个标记实例下,是无法表示真实的数据分布的,而且会导致学习分类器具有较大的方差,使其难以推广到新数据中。为了解决这一过拟合问题,Vinyals等人在2016年提出了一种元学习策略的匹配网络(Matching networks,MatchNet),该策略能够从大量情景中学习不同的分类任务,在每一情景中,算法学习少数已标记实例(支持集)的特征嵌入,并根据嵌入空间中的余弦距离预测未标实例(查询集)的类别。由于这种情景元学习策略具有优秀的泛化性能,因此被后续的小样本学习所采用,比如Finn等人在2017年提出一种学习良好初始化的方法,即与模型无关的元学习(Mo ...
【技术保护点】
【技术特征摘要】
1.一种用于神经网络小样本学习的空间电势度量方法,其特征在于,包括:将支持集和查询集输入到特征嵌入提取网络中,分别得到已标记和未标记实例的特征嵌入向量集;将已标记实例的特征嵌入向量输入到电荷量参数提取网络中,得到参数作为已标记实例的电荷量;将同一类别的特征嵌入向量和电荷量范围参数都进行均值融合,并构建拟高维空间静电场;根据已标记示实例设定正点电荷和负点电荷,结合点电荷的电荷量,在遍历所有点电荷极性组合下,求得未标记实例的特征嵌入向量在拟高维空间静电场中位置点的电势叠加值,并以电势叠加值作为未标记实例的度量值;将度量值转换为类别概率分数,并计算所述类别概率分数与来自未标记实例真实标签的度量学习损失,以端对端的方式学习所有网络参数。2.根据权利要求1所述的一种用于神经网络小样本学习的空间电势度量方法,其特征在于,所述支持集和查询集具体为:从训练集C
train
中抽样出N个类别的样本用于构成支持集和查询集;其中支持集每N个类别包含K个样本,表示为:S={(x1,y1),(x2,y2),(x
i
,y
i
)...,(x
N
×
K
,y
N
×
K
)};查询集每N个类别包含数量不固定的样本,表示为:并且S∈C
train
,Q∈C
train
,其中x
i
是D维输入向量,y
i
是x
i
的标签,i=1,2,3...N
×
K;其中是D维输入向量,入向量,是的标签,i=1,2,3...T;N、K、T都为正整数。3.根据权利要求2所述的一种用于神经网络小样本学习的空间电势度量方法,其特征在于,将支持集和查询集输入到特征嵌入提取网络中,分别得到已标记和未标记实例的特征嵌入向量集,具体为:特征嵌入向量是通过将样本x
i
输入至特征嵌入提取网络f
θ
获得的M维向量,对于支持集S和查询集Q,采用同一个特征嵌入提取网络f
θ
,支持集S得到的已标记实例的特征嵌入向量表示为:f
θ
(x
i
),查询集Q得到的未标记实例的特征嵌入向量表示为:4.根据权利要求3所述的一种用于神经网络小样本学习的空间电势度量方法,其特征在于,所述电荷量参数提取网络具体为:电荷量参数提取网络是仅由单一神经元输出的一层全连接层构成的,记为:g
Θ
,其中Θ表示网络参数。已标记实例的特征嵌入向量f
θ
(x
i
)经过电荷量参数提取网络g
Θ
得到电荷量范围参数q
...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。