一种协同度量的小样本分类方法技术

本发明专利技术公开了一种协同度量的小样本分类方法，包括，基于支持样本和查询样本获取不同粒度的全局空间语义关系和局部空间语义关系；将每个粒度的全局空间语义关系和局部空间语义关系进行融合，获得每个粒度的全局

【技术实现步骤摘要】
一种协同度量的小样本分类方法


[0001]本专利技术涉及机器学习分类
，具体涉及协同度量的小样本分类方法
。

技术介绍

[0002]目前，深度学习大模型的兴起引起了广泛地关注和研究
。
这类模型以其强大的表示能力和学习能力，在图像识别
、
自然语言处理
、
语音识别等各个领域取得了令人瞩目的成果
。
然而，与其瞩目的成功相比，这些大模型对标注数据的巨大需求成为一个严峻挑战
。
为了获得良好的性能，这些模型通常需要海量的标记数据进行训练，以捕捉数据中的复杂模式和规律
。
获取大规模标记数据是一项耗时长
、
成本高且困难的任务，特别是在需要高度专业知识或人工干预的领域，例如：医学
、
遥感等；此外，人工标注也存在一定的经验误差，导致数据集的噪声和不一致性
。
这些问题进一步限制了大型模型的应用和性能
。
为了解决这些问题，并推动下一代人工智能的发展，越来越多的研究人员将关注点开本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种协同度量的小样本分类方法，其特征在于，包括以下步骤：
S101
：在有标签光学遥感图像上构造第一数目个任务，每个所述任务包括支持样本和查询样本；其中，支持样本的数量不超过
10
个；
S102
：将所述支持样本和查询样本输入多粒度协同度量模型，获取不同粒度的全局空间语义关系和不同粒度的局部空间语义关系；
S103
：将每一个粒度上的全局空间语义关系和局部空间语义关系进行融合，获得每一个粒度的全局
‑
局部融合空间语义关系；
S104
：将不同粒度的全局
‑
局部融合空间语义关系组合，获得多粒度空间语义关系集；
S105
：采用最小和特征集距离度量方法在所述多粒度空间语义关系集上进行协同度量决策，以获得预测概率分布；
S106
：利用标签优化多粒度协同度量模型，以获得用于分类的多粒度协同度量模型；
S107
：将待分类图像输入所述用于分类的多粒度协同度量模型，以获得所述待分类图像的分类结果，所述分类结果指示所述待分类图像的类别信息
。2.
如权利要求1所述的方法，其特征在于，所述方法还包括：所述不同粒度的全局空间语义关系指示有标签光学遥感图像的整体概括信息，包括支持样本的全局空间语义关系和查询样本的全局空间语义关系；所述不同粒度的局部空间语义关系指示有标签光学遥感图像的局部细节信息，包括支持样本的局部空间语义关系和查询样本的局部空间语义关系；全局
‑
局部融合空间语义关系包括支持样本的全局
‑
局部融合空间语义关系和查询样本的全局
‑
局部融合空间语义关系；多粒度空间语义关系集包括支持样本的多粒度空间语义关系集和查询样本的多粒度空间语义关系集
。3.
如权利要求1所述的方法，其特征在于，所述采用最小和特征集距离度量方法在所述多粒度空间语义关系集上进行协同度量决策包括：
S105.1
：利用所述支持样本的多粒度空间语义关系集进行求平均，以获得原型空间语义关系集；
S105.2
：采用最小和特征集距离度量方法进行多粒度空间语义关系集合间协同度量决策，计算查询样本的多粒度空间语义关系集和所述原型空间语义关系集之间的距离
。4.
如权利要求1所述的方法，其特征在于，所述将每一个粒度上的全局空间语义关系和局部空间语义关系进行融合，获得每一个粒度的全局
‑
局部融合空间语义关系包括：
S103.1
：将局部空间语义关系通过池化进行聚合，获得池化后的局部空间语义关系；
S103.2
：将每一个粒度上的所述全局空间语义关系和所述池化后的局部空间语义关系相加获得全局
‑
局部融合空间语义关系表达式如下：其中，
i
为正整数，代表第
i
个粒度，
N
i
代表第
i
个粒度对应的转换器层数，
M
代表粒度数
。5.
如权利要求1所述的方法，其特征在于，将不同粒度的全局
‑
局部融合空间语义关系
组合，获得多粒度空间语义关系集包括：将所述不同粒度的全局
‑
局部融合空间语义关系全部汇集起来，获得多粒度空间语义关系集
Set
，表达式如下：，表达式如下：代表第
N
M
层的全局
‑
局部融合空间语义关系
。6.
如权利要求3所述的方法，其特征在于，利用所述支持样本的多粒度空间语义关系集进行求平均，以获得原型空间语义关系集包括：基于支持样本的多粒度空间语义关系集分别计算每个类别所对应的原型空间语义关系集，对于类别
k
的原型空间关系集
C
k
表达式如下：其中，
S
k...

【专利技术属性】
技术研发人员：庄胤，刘雨晴，陈禾，张桐，陈亮，
申请(专利权)人：北京理工大学，
类型：发明
国别省市：