一种基于神经网络的小样本特征提取方法及相关设备技术

本申请实施例属于人工智能领域，涉及一种基于神经网络的小样本特征提取方法，包括获取预测集与支撑集；将预测集与支撑集输入嵌入模型训练得到预测特征图像与均值化后的多组支撑特征图像；将预测特征图像与多组支撑特征图像输入关联模型进行关联，预测两者之间的关联系数；并进行损失计算，根据计算得到的模型参数对特征识别模型进行迭代更新得到目标特征识别模型；将获取到的待识别数据输入目标特征识别模型计算目标相似度，根据目标相似度判断待识别数据的类别。本申请还提供基于神经网络的小样本特征提取装置、计算机设备及可读存储介质。此外，本申请还涉及区块链技术，判断出的类别数据可存储于区块链中。本申请能够降低引起过度拟合的问题。起过度拟合的问题。起过度拟合的问题。

【技术实现步骤摘要】
一种基于神经网络的小样本特征提取方法及相关设备


[0001]本申请涉及人工智能
，尤其涉及一种基于神经网络的小样本特征提取方法及相关设备。

技术介绍

[0002]在现有技术中，一般情况下，针对模型分类或拟合任务都是以数据进行驱动，然后进行模型训练的。但是，现实世界中真实数据获取或数据标注往往需要大量的成本投入，从而限制了模型的建模能力和使用范围。如语音情感检测、故障诊断或其他难以获得有效数据的任务。目前，基于深度学习的模型训练，一般需要大量的训练与测试数据支持。在数据充足的情况下，模型训练充分且预测结果出色；然而面对数据样本容量不足的情况，模型由于欠训练，无法对现实数据样本进行充分建模，即泛化能力过弱导致其缺少实际应用能力。现有解决样本过少的方法一般是基于数据扩充(DataAugmentation)的方法，数据扩充是在真实数据基础上进行数据变换来模拟其他可能的真实数据，但其无法摆脱固有数据的本质属性，难以提取必要的样本的特征，并可能引起过度拟合的问题。

技术实现思路

[0003]本申请实施例的目的在于提出一种基于神经网络的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于神经网络的小样本特征提取方法，其特征在于，包括下述步骤：从包括有预设数量类别的训练集中获取预测集与支撑集，所述支撑集包括从每个类别中抽取K个有标注的支撑样本，其中，K为正整数；将所述预测集中的预测样本与所述支撑集中的支撑样本输入特征识别模型中的嵌入模型进行训练，得到预测特征图以及包括K个有标注的支撑样本的多组所述待融合支撑特征图像，并对所述待融合支撑特征图像均值化，得到多组支撑特征图像；将所述预测特征图像与多组所述支撑特征图像输入所述特征识别模型中的关联模型进行关联，预测所述预测特征图像与每组所述支撑特征图像之间的关联系数，其中，所述关联系数表征所述预测样本与所述预设数量类别的相似度；基于所述关联系数进行损失计算，根据计算得到的模型参数对所述特征识别模型进行迭代更新，得到目标特征识别模型；获取待识别数据输入所述目标特征识别模型，计算所述待识别数据与所述预设数量类别中样本的目标相似度，根据所述目标相似度判断所述待识别数据的类别。2.根据权利要求1所述的一种基于神经网络的小样本特征提取方法，其特征在于，所述从包括有预设数量类别的训练集中获取预测集与支撑集的步骤包括：将所述训练集中的预设数量类别进行随机排序；从所述预设数量类别的每个类别中抽取K个有标注的样本作为所述特征识别模型的所述支撑集；从所述预设数量类别的剩余样本中抽取J个样本作为所述特征识别模型的所述预测集，其中，J为正整数。3.根据权利要求1所述的一种基于神经网络的小样本特征提取方法，其特征在于，所述嵌入模型包括第一卷积层、第二卷积层、第三卷积层、第四卷积层、第一最大池化层以及第二最大池化层，所述将所述预测集中的预测样本与所述支撑集中的支撑样本输入特征识别模型中的嵌入模型进行训练，得到预测特征图以及包括K个有标注的支撑样本的多组所述待融合支撑特征图像，并对所述待融合支撑特征图像均值化，得到多组支撑特征图像的步骤具体包括：将所述预测集与所述支撑集输入所述嵌入模型，依次通过所述第一卷积层、第一最大池化层、第二卷积层、第二最大池化层、第三卷积层以及第四卷积层对所述预测集与所述支撑集中的样本进行特征提取，输出所述预测特征图像与多组所述待融入支撑特征图像；对每组包括K个有标注的样本的所述待融合支撑特征图像进行均值化处理，得到多组所述支撑特征图像，所述支撑特征图像的组数与所述预设数量类别一致。4.根据权利要求1所述的一种基于神经网络的小样本特征提取方法，其特征在于，所述关联模型包括第五卷积层、第六卷积层、第三最大池化层、第四最大池化层、第一全连接层以及第二全连接层，所述将所述预测特征图像与多组所述支撑特征图像输入所述特征识别模型中的关联模型进行关联，预测所述预测特征图像与每组所述支撑特征图像之间的关联系数的步骤具体包括：将所述预测特征图像与多组所述支撑特征图像进行图像特征拼接后输入所述关联模型，依次通过所述第五卷积层、第三最大池化层、第六卷积层、第四最大池化层以及全连接层对所述预测特征图像与多组所述支撑特征图像进行特征关联及回归处理，输出C个所述
关联系数，所述关联系数计算公式为：r
i，j
＝G(H(F(x
i
)，F(x
j
)))，i＝1，2...C其中，H为所述预测特征图像与每组所述支撑特征图像的拼接操作，F(Xi)为所述待融合支撑特征图像，F(Xj)为预测特征图像，r
i...

【专利技术属性】
技术研发人员：张之勇，王健宗，
申请(专利权)人：平安科技深圳有限公司，
类型：发明
国别省市：