【技术实现步骤摘要】
一种基于特征分布拟合和深度学习的小样本图像分类方法
[0001]本专利技术属于计算机视觉
,具体涉及一种基于特征分布拟合和深度学习的小样本图像分类方法
。
技术介绍
[0002]一般图像分类是指将一张图片分配到不同的预定义类别中的过程
。
通常情况下,这是通过使用机器学习算法和深度神经网络来实现的
。
而小样本图像分类则是指在训练数据非常少的情况下
(
通常少于几百个图像
)
,将一张图片分配到不同的预定义类别中的过程
。
在这种情况下,传统的深度学习算法和神经网络往往无法有效地进行训练和分类
。
小样本图像分类的目的是解决在少量数据上进行图像分类时的问题
。
在现实生活中,获取大量标注的图像数据往往是非常困难的,因此小样本图像分类可以更好地利用现有的图像数据并提高分类的准确性
。
小样本图像分类通常涉及到使用一些特殊的技术和算法,例如迁移学习
、
元学习
、
生成对抗网络等,以帮助算法更好地理解和分类图像数据
。
其应用包括医学影像诊断
、
工业生产中的缺陷检测
、
机器人视觉等领域
。
[0003]传统的小样本图像分类方法主要包括以下几种:基于人工设计特征的分类方法,主要是通过手动设计特征提取器,例如
SIFT、HOG、LBP
等来提取图像特征,然后使用传统的机器 ...
【技术保护点】
【技术特征摘要】
1.
一种基于特征分布拟合和深度学习的小样本图像分类方法,其特征在于:包括以下步骤:步骤一
、
将公开小样本图像分类数据集进行划分,分为训练集
、
测试集以及验证集
,
对训练集的图像及对应的标签数据进行预处理
,
获得同一尺寸图像;步骤二
、
构建特征提取器模型,包括多个具有跳跃连接的宽残差块,多个卷积层
、
批量归一化层
、
激活函数层
、Dropout
层
、
平均池化层以及全连接层;步骤三
、
基于步骤二构建的网络模型设计损失函数,其中包括交叉熵损失与自监督的旋转损失;步骤四
、
将所述步骤一获得的训练集图像,以一定批次数量输入特征提取器模型,并以所述步骤三的损失函数对特征提取器进行预训练;步骤五
、
将所述步骤一中的训练集和验证集图像输入所述步骤四中训练好的特征提取器进行特征提取,并得到训练集样本的特征向量与验证集样本的特征向量;步骤六
、
在验证集中进行类别和样本特征的随机采样,构建大量不同的小样本任务;步骤七
、
将所述步骤五中提取的训练集各类别特征向量进行统计信息的计算,包括各类分布的均值向量和协方差矩阵;步骤八
、
将所述步骤五中构建小样本任务中的验证集样本的特征向量进行幂阶段变换;步骤九
、
使用步骤七计算的各类分布的均值向量和步骤八变换后小样本任务中的支持集特征向量构建特征描述矩阵;步骤十
、
选出与小样本类中的目标样本高度匹配的相似类;步骤十一
、
衡量不同相似类在分布拟合过程的不同贡献,并为其分配不同的权重;步骤十二
、
根据步骤七中的统计信息
、
步骤十中选出的相似类以及步骤十一中不同相似类的不同权重,将相似类的统计信息迁移到支持集中的特征向量所属的小样本类中;步骤十三
、
根据步骤十二中迁移后的小样本类特征分布,采样无数量限制的对应类别的特征向量;步骤十四
、
构建特定于任务的全连接层分类器,并将新生成的特征与支持集原始特征都将进行
L2
归一化,输入分类器中进行最小化监督损失的优化训练;步骤十五
、
提取所述步骤一中的测试集图像特征,并进行类别和样本特征的随机采样,构建大量不同的小样本任务;步骤十六
、
使用测试集小...
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。