【技术实现步骤摘要】
本专利技术属于小样本学习领域，特别涉及一种小样本图像分类方法。
技术介绍
1、深度学习是一种基于多层神经网络的机器学习方法，能够拟合较为复杂的映射关系，在许多领域的回归或分类任务中，基于深度学习的算法取得了与人类相似的表现。其中，在计算机视觉和自然语言处理中，深度学习方法得到广泛的关注，并取得了长足的发展。但是，深度学习是一种数据驱动型算法，其成功依赖于大规模的数据集。这限制了深度学习在一些样本获取难，或标注成本高的领域的运用。
2、小样本学习旨在解决深度学习在样本较少时过拟合的问题。在医学，军事等领域存在样本少，标注成本高等问题，小样本学习在这些领域具有广泛的运用前景。目前，国内外学者对小样本学习的研究取得了一定的进展，许多基于迁移学习的模型被提出，这些，模型大多分为学习器与分类器，首先在公开大规模数据上训练学习器，然后迁移其中骨干网络的参数至分类器，在分类器中处理待测样本。但现有的基于表征学习的小样本学习模型大多忽略了图像中标注不完全问题，这导致了模型混淆图像中不同语义的关系，导致模型在训练集样本上的过拟合。同时，现有方法大多是基于一个假设，即图像的标签是绝对正确的，这导致模型的学习器和分类器在训练和分类阶段错误地将图像内的语义共享同一种表征。而基于表征学习的原则，特征提取器应该使相似的语义映射在特征空间中相近的位置，相异的语义应当映射至距离较远的位置。因此，多种语义共享同一表征违背了该原理，因此导致图像标注不完全导致多种语义间表征混淆的问题；同时由于缺少对背景信息的标注，导致背景信息被完全视为一种训练数据噪声，
技术实现思路
1、为了克服现有技术的不足，本专利技术提供一种基于图像前景背景片段分离的小样本图像分类方法。
2、本专利技术解决其技术问题所采用的技术方案包括如下步骤：
3、步骤一：对比学习预训练骨干网络；
4、1-1、将数据集按类别划分为训练集{img}train，验证集和测试集；其中测试集进一步细分为支持集和查询集；
5、1-2、搭建骨干网络，初始化骨干网络参数；搭建骨干网络的模板为resnet-12或resnet-18或resnet-34或resnet-50或resnet-101；
6、resnet-12由四个残差块级联而成，残差块即为res-block，第一残差块结构如下：
7、 层 尺寸/(size) 步长/stride 填充/padding 通道/channel conv1 3x3 1 1 64 bn1 - - 0 64 leakyrelu - - - 64 conv2 3x3 1 1 64 bn2 - - 0 64 leakyrelu - - - 64 conv3 3x3 1 1 64 bn3 - - 0 64
8、残差链接short结构如下：
9、 层 尺寸size 步长stride 填充padding 通道channel conv 1x1 1 0 64
10、从第一到第四残差块的通道数分别是：
11、 block1 block2 block3 block4 通道 64 128 320 640
12、1-3、采用对比学习方式，在训练集上预训练骨干网络fθ(.)；保留预训练后的骨干网络的参数θ；对比学习方式采用moco-v2、moco-v1或simclr的学习方式；
13、步骤二：利用预训练好的骨干网络分离训练集图像中的前景背景片段；
14、2-1、采用随机裁剪的方式，从每幅训练集图像中获取m个片段{patchm，i}，其中m为片段的个数，其中m表示训练集图像中片段的索引，i为训练集图像索引；通过线性插值法将所有本文档来自技高网...
【技术保护点】
1.一种基于图像前景背景片段分离的小样本图像分类方法，其特征在于：包括如下步骤：
2.根据权利要求1所述的一种基于图像前景背景片段分离的小样本图像分类方法，其特征在于：所述步骤1-2中，搭建骨干网络的模板还包括ResNet-18、ResNet-34、ResNet-50或ResNet-101。
3.根据权利要求1所述的一种基于图像前景背景片段分离的小样本图像分类方法，其特征在于：所述步骤1-2中ResNet-12的结构为：
4.根据权利要求1所述的一种基于图像前景背景片段分离的小样本图像分类方法，其特征在于：步骤1-3对比学习方式还可以采用基于MoCo-V1或SIMCLR的学习方式。
【技术特征摘要】
1.一种基于图像前景背景片段分离的小样本图像分类方法，其特征在于：包括如下步骤：
2.根据权利要求1所述的一种基于图像前景背景片段分离的小样本图像分类方法，其特征在于：所述步骤1-2中，搭建骨干网络的模板还包括resnet-18、resnet-34、resnet-50或resnet-101。
...
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。