一种跨域小样本图像识别方法及系统技术方案

本发明专利技术提供一种跨域小样本图像识别方法及系统，包括：确定训练好的小样本识别网络；小样本识别网络用于对不同类别的样本进行匹配分类；小样本识别网络的训练过程需要用到图像生成网络，图像生成网络包括：变分自编码器模块和风格转换模块，变分自编码器模块用于提取并重建目标域样本的特征分布，变分自编码器包括中间参数，用于梯度上升将目标域样本重建成风格更复杂的样本；风格转换模块用于对源域样本进行风格化以得到属于目标域数据分布的带标签训练样本；将待识别的目标域样本输入到训练好的小样本识别网络，以进行预测分类，得到图像识别结果。本发明专利技术在训练阶段有效引入目标域信息，提高模型对目标域的泛化能力。提高模型对目标域的泛化能力。提高模型对目标域的泛化能力。

【技术实现步骤摘要】
一种跨域小样本图像识别方法及系统


[0001]本专利技术属于计算机视觉及图像处理领域，更具体地，涉及一种跨域小样本图像识别方法及系统。

技术介绍

[0002]目前，基于深度学习的方法在许多计算机视觉任务上都取得了优异的表现。然而这些性能强大的深度学习模型，往往都依赖于大规模的数据集和长时间的训练过程，需要投入较多的人力资源、时间成本和昂贵的计算代价。在这种情况下，小样本图像识别问题成为目前深度学习领域中关键的研究方向之一。相比于传统的大量样本驱动的图像识别，小样本图像识别可以在样本量有限的情况下，对新类别样本实现准确的预测分类，更符合真实的应场景。然而，在更实际的应用中，从同一个域内采集样本来完成大量的小样本分类任务是很困难的，当训练和测试数据分布不一致时，即源域数据与目标域数据的分布不同，二者间存在域偏移，模型更难以泛化，为了区别于传统小样本学习的问题设置，这种场景下的小样本学习问题被定义为“跨域小样本学习”。
[0003]先用的方法是基于模型微调的。这类方法基于元学习“learning to learn”的思想，旨在使模型在训练时学本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种跨域小样本图像识别方法，其特征在于，包括以下步骤：确定训练好的小样本识别网络；所述小样本识别网络用于对不同类别的样本进行匹配分类；所述小样本识别网络的训练过程需要用到图像生成网络，所述图像生成网络包括：变分自编码器模块和风格转换模块，所述变分自编码器模块用于提取并重建目标域样本的特征分布，所述变分自编码器包括中间参数，用于梯度上升将目标域样本重建成风格更复杂的样本；所述风格转换模块用于对源域样本进行风格化以得到属于目标域数据分布的带标签训练样本；其中，不同的图像风格对应不同的样本类别或数据域；将待识别的目标域样本输入到训练好的小样本识别网络，以进行预测分类，得到图像识别结果。2.根据权利要求1所述的方法，其特征在于，所述小样本识别网络包括：特征提取模块和度量匹配模块；所述特征提取模块用于提取输入样本的特征；所述度量匹配模块用于对不同类别样本进行匹配分类。3.根据权利要求1所述的方法，其特征在于，所述小样本识别网络的训练过程如下：对小样本识别网络F进行训练时，对于输入的每个任务T，从M类图像中循环随机选取N类图像，为每类图像确定K个样本作为支持集S，为每类图像确定q个样本作为查询集Q，T＝(S,Q)，输入图像生成网络G之后得到生成样本将生成样本输入小样本识别网络中进行预测识别计算得到损失L
T
，更新小样本识别网络F的参数同时，更新上述图像生成网络G的中间参数以生成更复杂的目标域风格样本，继续循环对小样本识别网络进行训练，直至训练好的小样本识别网络满足需求。4.根据权利要求1至3任一项所述的方法，其特征在于，所述风格转换模块将所述变分自编码器输出的风格化参数作为风格特征进行风格化，以保留原有样本的内容特征且生成具有目标域数据分布特征的新样本。5.根据权利要求2所述的方法，其特征在于，所述度量匹配模块用于对当前任务示例的查询集和支持集进行匹配分类，具体包括：对N类支持集样本计算类别中心，对查询集的每个样本计算到N个类别中心的距离，将查询集每个样本分类到距离最近的类别中心，以完成对查询集样本的识别分类。6.根据权利要求1至3任一项所述的方法，其特征在于，所述小样本识别网络的整体目标函数为：其中，L
T
表示对风格化查询集计算的...

【专利技术属性】
技术研发人员：桑农，付鹏展，邵远杰，高常鑫，
申请(专利权)人：华中科技大学，
类型：发明
国别省市：