【技术实现步骤摘要】
基于交叉关系网络度量的小样本学习方法及系统
[0001]本专利技术涉及图像处理识别
，具体涉及一种基于交叉关系网络度量的小样本学习方法及系统。
技术介绍
[0002]近年来，深度学习在许多方面都取得了巨大的成就，例如图像分类、文本分析和语音识别等。其中，图像分类任务作为后续图像目标检测、分割、语义分析的基础，一直是计算机视觉领域的核心问题。然而，现阶段的深度学习图像分类任务取得巨大成功很大程度上归功于大量标记样本和巨大的算力支撑，当样本数量缺乏时，很容易出现过拟合等问题，难以泛化到新的测试任务。相比之下，人类能在仅给出少量样本情况下就能准确识别出待测样本，因此，研究深度学习在小样本情况下的表现更接近于真正的人工智能。不仅如此，很多情况下，样本本身难以获取或者标记成本巨大，比如某些珍贵动植物或者医疗图像等，所以，研究深度学习在小样本情况下的表现有很重要的现实意义。
[0003]小样本学习旨在给定少量带标签样本的情况下实现待测无标签样本的正确分类，一般将给定的少量带标签样本称为支持集，待测样本称为查询集。为了提高深...
【技术保护点】
【技术特征摘要】
1.一种基于交叉关系网络度量的小样本学习方法，其特征在于，包括：特征嵌入提取步骤，使用特征嵌入网络分别提取支持集和查询集的特征图；所述查询集中包括若干待测查询样本；类特征合成步骤，将支持集中同一类别样本的特征图通过均值融合，得到各个支持集类别的类特征图；关系特征获取步骤，将支持集中各类的特征图与待测查询样本的特征图在通道上进行拼接，然后输入到交叉关系网络，得到二者的关系特征图；新特征获取步骤，将得到的关系特征图分别与原始支持集的类特征图和查询集的待测查询样本的特征图做残差连接，得到待测查询样本与各个支持集类别成对的新特征；相似度度量步骤，通过距离缩放计算待测查询样本与各个支持集类别之间的距离，来进行相似度度量；概率预测步骤，将待测查询样本与各个支持集类别的距离转换成概率分数，获得待测查询样本的最终预测标签。2.根据权利要求1所述的基于交叉关系网络度量的小样本学习方法，其特征在于，所述特征嵌入提取步骤，具体包括：令支持集类别个数为N，每类支持集内样本数目为K，表示支持集内第n类的第k个样本，表示查询集内第i个待测查询样本，其标签未知；将支持集表示为其中y
n
∈{y1,y2,...,y
N
}为支持集的标签，经特征嵌入网络后得到的特征图表示为集的标签，经特征嵌入网络后得到的特征图表示为c,h,w分别表示支持集样本经特征嵌入网络后得到输出特征图的通道、高度和宽度；将查询集表示为查询集经特征嵌入网络后得到的特征图表示为c,h,w分别表示待测查询样本经特征嵌入网络后得到输出特征图的通道、高度和宽度，即待测查询样本经特征嵌入网络后得到输出特征图的通道、高度和宽度与支持集样本经特征嵌入网络后得到输出特征图的通道、高度和宽度相同。3.根据权利要求2所述的基于交叉关系网络度量的小样本学习方法，其特征在于，所述类特征合成步骤中，第n类支持集的类特征图通过如下公式表示：其中，4.根据权利要求3所述的基于交叉关系网络度量的小样本学习方法，其特征在于，所述关系特征获取步骤中，第n类支持集的类特征图和待测查询样本的关系特征图用如下公式表示：
其中，g
θ
为交叉关系网络，θ为交叉关系网络的参数；交叉关系网络的输入为为交叉关系网络，θ为交叉关系网络的参数；交叉关系网络的输入为表示将支持集的类特征图与待测查询样本的特征图在通道上连结；关系特征图5.根据权利要求4所述的基于交叉关系网络度量的小样本学习方法，其特征在于，所述新特征获取步骤中，新特征获取公式如下：新特征获取步骤中，新特征获取公式如下：其中，表示第n类支持集经交叉关系网络得到的新特征，表示第n类支持集经交叉关系网络得到的新特征，表示第i个查询集样本经交叉关系网络得到的新特征，将每一类支持集的类特征与该待测查询样本输入到交叉关系网络后，...
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。