基于空间表征学习和强化的小样本目标识别方法及网络技术

本发明专利技术属于图像处理技术领域，公开了基于空间表征学习和强化的小样本目标识别方法及网络，依次通过特征提取、构造对比对、特征互增强、空间粒度对比，计算对比损失、注意力池化、查询集样本识别、损失优化的步骤训练网络模型，对于输入的待识别的图像，可以获得准确的识别结果。识别结果。识别结果。

【技术实现步骤摘要】
基于空间表征学习和强化的小样本目标识别方法及网络


[0001]本专利技术属于图像处理
，涉及深度学习、小样本图像识别技术，特别涉及基于空间表征学习和强化的小样本目标识别方法及网络。

技术介绍

[0002]大数据时代人类搜集、存储、传输和管理数据的能力日益提高，积累大量的数据资源，如何快速有效分析海量数据成为难点问题。在此背景下，深度学习由于强大的特征提取能力得到学术界和工业界的广泛关注，并在计算机视觉等领域得到较大成功。其中，目标识别作为计算机视觉中最为基础和重要的任务被广泛研究。然而，依赖于大数据的深度学习技术依然面临着巨大的挑战。传统的深度学习需要有大量带有标签的样本进行训练，当样本不充分时，模型的性能会严重下降，造成过拟合问题。现实情况中，建立标准数据集需要耗费大量的人力和物力资源，亦或者很难收集到大量标注样本。比如医学图像处理领域中，对于罕见病变样本的收集非常困难；在海洋目标识别领域，海洋系统的复杂性会使得某些海洋目标样本很难大量获取。因此，越来越多的小样本目标识别方法相继被提出。
[0003]目前主流的小样本目标识别方法本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于空间表征学习和强化的小样本目标识别方法，其特征在于，包括以下步骤：步骤1、构建小样本识别任务：在每次迭代训练时，首先从基类数据集随机采样一个小样本识别任务，模拟小样本识别场景，具体地，随机从基类中选取N个类别，每个类别分别采样K个样本构成支持集S；每个类别再分别采样若干个样本构成查询集Q；步骤2、特征提取：使用卷积神经网络作为特征提取网络，提取输入的样本图像特征，具体地，将所有的支持集样本和查询集样本送入到参数为θ的特征提取网络f
θ
中得到相应的特征表征f
θ
(x)，得到支持集特征图和查询集特征图；步骤3、构造对比对：基于步骤2得到的支持集特征图和查询集特征图，构造对比对，具体地，对于所有支持集样本和查询集样本，其都有对应的真实类别标签，将两个类别相同的样本看作为一对正样本对、将两个类别不同的样本看作为一对负样本对，构造样本对，接下来分别计算各个样本对中的两张样本特征图的空间粒度相似度；步骤4：特征互增强：对于一个样本对中的两个样本i和j，其都有对应的经过步骤2得到的特征图f
θ
(i)和f
θ
(j)，用f
θ
(i)来增强f
θ
(j)，得到增强后的特征图具体是：f
θ
(i)经过全局平均池化操作后与特征图f
θ
(j)逐通道相乘得到加权后的特征图将特征图经过空间注意力处理，得到注意力图将注意力图与样本j的特征图f
θ
(j)做逐元素相乘计算，得到增强后的特征图用f
θ
(j)来增强f
θ
(i)，用f
θ
(j)来增强f
θ
(i)的操作步骤同理，得到增强后的特征图步骤5：空间粒度对比，计算对比损失：基于原特征图以及增强后的特征图进行空间粒度对比，具体地，以样本i的原特征图f
θ
(i)与样本j基于样本i增强后的特征图的空间粒度对比为例，分别计算这两个特征图上每个空间位置与另一特征图的相似度，将所有空间位置与特征图之间的相似度求和取平均得到这两个特征图之间的空间粒度相似度，记为同理，计算出样本j的原特征图f
θ
(j)与样本i基于样本j增强后的特征图之间的空间粒度相似度，记为取两个相似度的均值作为最终的样本i和样本j之间的空间粒度相似度，记为sim(f
θ
(i)，f
θ
(j))；对于样本i来说，根据其正负样本对的空间粒度相似度构造出空间粒度对比损失函数，记为将所有样本的空间粒度对比损失相加作为总的空间对比损失，记为L
SC
；步骤6：注意力池化：对步骤2提取到的所有支持集和查询集样本特征图使用注意力池化操作，将其转换为支持集特征向量和查询集特征向量；
步骤7：查询集样本识别：分别利用每个类别对应的支持集样本特征向量构建出每个类别原型，然后计算每个查询集样本与每个类别原型之间的相似度，并利用Softmax函数计算查询集样本属于各个类别的概率值，取概率值最大的类别作为查询集样本的预测标签，然后根据查询集样本真实标签计算交叉熵损失作为小样本分类损失，记为L
FSC
；步骤8：损失优化：将空间对比损失L
SC
与小样本分类损失L
FSC
相结合构成整个训练过程的总损失，记为L，即L＝α
SC
L
SC
+α
FSC
L
FSC
其中，α
SC
和α
FSC
是超参数，用来调节L
SC
和L
FSC
的权重。2.根据权利要求1所述的基于空间表征学习和强化的小样本目标识别方法，其特征在于，步骤1中，具体地，随机从基类中选取N个类别，每个类别分别采样K个样本构成支持集S，每个类别再分别采样若干个样本构成查询集Q，其中，表示支持集S中的第i个支持集样本，表示支持集样本对应的真实标签，N
×
K表示支持集S中的支持集样本数量；表示查询集Q中的第i个查询集样本，表示查询集样本对应的真实标签，M表示查询集Q中的查询集样本数量。3.根据权利要求2所述的基于空间表征学习和强化的小样本目标识别方法，其特征在于，步骤3中，对于某一支持集样本来说，与其类别相同的有K
‑
1个支持集样本和若干个查询集样本，它与这些样本分别构成若干个正样本对，并与剩余的类别不同的样本分别构成负样本对；其余样本同理；在每次迭代训练所构建的小样本识别任务中，对于任一样本i，均可以为其构造出N
×
K+M
‑
1个正负样本对。4.根据权利要求1所述的基于空间表征学习和强化的小样本目标识别方法，其特征在于，步骤4中，以用f
θ
(i)来增强f
θ
(j)为例，首先，对特征图f
θ
(i)使用全局平均池化操作得到一个权重向量v
i
，将v
i
与特征图f
θ
(j)逐通道相乘得到加权后的特征...

【专利技术属性】
技术研发人员：黄磊，董辉，魏志强，
申请(专利权)人：中国海洋大学，
类型：发明
国别省市：