【技术实现步骤摘要】
本专利技术涉及机器学习领域，具体来说，涉及基于少样本图像训练集训练模型的图像分类领域，更具体地说，涉及一种图像分类模型的训练方法、图像分类方法。
技术介绍
1、近年来，深度学习方法在各类模式分析与机器智能领域展示优异性能。同时，如何在少样本场景下开发性能优异的深度学习模型，由于其广泛的应用需求，引起了广泛的关注与研究。目前，用于解决这一问题的技术可大致分为两类：第一类为基于神经网络模型与训练方法改进的技术；第二类为基于人工合成数据的模型训练的技术。下面详细介绍两类数据增强技术。
2、第一类技术主要包括：基于迁移学习的模型改进技术、基于对比学习的模型改进技术以及基于大数据预训练的模型改进技术。其中，基于迁移学习的模型改进技术通过将其他相关领域的有效先验知识迁移至当前少样本数据集，以改善少样本数据所提供有效信息量较少的问题；基于对比学习的模型改进技术通过挖掘当前少样本数据集与不同领域数据之间的高层语义特征，通过拉伸类间距离的策略进行学习；基于大数据预训练的模型改进技术以在已有模态丰富的大型数据集上训练好的模型为基础，通过模型微调...
【技术保护点】
1.一种图像分类模型的训练方法，所述图像分类模型用于基于图像的特征对输入的图像进行分类，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，在所述步骤S2中，采用如下方式对原始图像数据集对应的特征矩阵进行降维处理：
3.根据权利要求2所述的方法，其特征在于，在所述步骤S21中，采用如下方式对原始图像数据集对应的特征矩阵进行去中心化处理：
4.根据权利要求3所述的方法，其特征在于，在所述步骤S22中，采用奇异值分解方法将去中心化后的原始图像数据集对应的特征矩阵进行分解得到左奇异矩阵、对角矩阵以及右奇异矩阵。
<...【技术特征摘要】
1.一种图像分类模型的训练方法，所述图像分类模型用于基于图像的特征对输入的图像进行分类，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，在所述步骤s2中，采用如下方式对原始图像数据集对应的特征矩阵进行降维处理：
3.根据权利要求2所述的方法，其特征在于，在所述步骤s21中，采用如下方式对原始图像数据集对应的特征矩阵进行去中心化处理：
4.根据权利要求3所述的方法，其特征在于，在所述步骤s22中，采用奇异值分解方法将去中心化后的原始图像数据集对应的特征矩阵进行分解得到左奇异矩阵、对角矩阵以及右奇异矩阵。
5.根据权利要求4所述的方法，其特征在于，在所述步骤s2中，采用如下方式将降维处理后的特征矩阵进行高斯建模以获得特征矩阵中每个特征值的高斯分布：
6.根据权利要求5所述的方法，其特征在于，在所述步骤s26中，采用如下方式对每个子特征矩阵进行去中心化处理：
7.根据权利要求5所述的方法，...
【专利技术属性】
技术研发人员：程学旗，李琳，郭嘉丰，廖华明，邱强，
申请(专利权)人：中国科学院计算技术研究所，
类型：发明
国别省市：
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。