基于类间距离扩张的实例级小样本学习方法技术

本发明专利技术涉及一种基于类间距离扩张的实例级小样本学习方法，属于图像处理技术领域。该方法为：S1：划分数据集，将小样本数据集划分为训练集、验证集和测试集，并在每个划分数据集内划分支持集和查询集；S2：构建网络模型，通过复杂的卷积神经网络提取图像特征；S3：通过基于实例的预训练让模型学习到可转移的分类能力，通过扩张损失在小样本训练阶段让不同类间距离扩张以获取清晰的类别边界；S4：将支持集和查询集图片输入训练好的网络提取特征，再经过距离度量函数判别每个查询图片对应的支持集类别。本发明专利技术能够缓解相似类在特征空间中的类别边界过于邻近导致误分类的情况。基于旋转角度分类的预训练帮助模型学习到更多可泛化知识。

【技术实现步骤摘要】

本专利技术属于图像处理，涉及一种基于类间距离扩张的实例级小样本学习方法。

技术介绍

1、深度学习已经在图像分类、自然语言处理等任务中取得了优异成绩。但许多以深度学习为基础的算法和模型都严重依赖于大量训练数据。但实际中，可能存在某些类别图像数据缺乏或者标记样本较少，导致大量的标记数据难以获取，因此会严重影响到分类模型对不同物体的识别。而反观人类识别物体的方式，人类只需要通过少量数据就能做到快速学习。例如，对于一个从未见过真实北极熊的人来说，想让他认出北极熊并不难，只需要给他一张北极熊图像的照片，通过对比就能认出哪个动物是北极熊。这与机器学习需要大量数据训练才能具备识别能力的方式完全不同，因此为了让机器学习更加靠近人类思维，缩小机器和人类之间在图像识别上的差距，小样本学习的概念被提出。

2、近年来，小样本学习在自然图像领域也展现出了巨大优势，目前研究领域的工作主要分为三个类别：1)基于数据增强的小样本算法是利用辅助数据或者辅助信息，通过生成或者扩充样本从而扩充同类别的参考数据集，进而增强类内样本方差、实现类内样本的多样化，最终让该类的决策边界更加明本文档来自技高网...

【技术保护点】

1.基于类间距离扩张的实例级小样本学习方法，其特征在于：该方法包括以下步骤：

2.根据权利要求1所述的基于类间距离扩张的实例级小样本学习方法，其特征在于：所述S1中，对小样本数据集进行预处理具体包括以下步骤：

3.根据权利要求1所述的基于类间距离扩张的实例级小样本学习方法，其特征在于：所述S2中，网络的编码结构包括由卷积神经网络构成的特征提取器和由Transformer网络构成的角度信息捕获网络，特征提取器负责对输入的图像进行编码，提取图像中相关的特征信息并生成对应的特征向量；角度信息捕获网络由多个网络模块构成，在应用于图像的Transformer网络中，数据集被...

【技术特征摘要】

1.基于类间距离扩张的实例级小样本学习方法，其特征在于：该方法包括以下步骤：

2.根据权利要求1所述的基于类间距离扩张的实例级小样本学习方法，其特征在于：所述s1中，对小样本数据集进行预处理具体包括以下步骤：

3.根据权利要求1所述的基于类间距离扩张的实例级小样本学习方法，其特征在于：所述s2中，网络的编码结构包括由卷积神经网络构成的特征提取器和由transformer网络构成的角度信息捕获网络，特征提取器负责对输入的图像进行编码，提取图像中相关的特征信息并生成对应的特征向量；角度信息捕获网络由多个网络模块构成，在应用于图像的transformer网络中，数据集被分成一系列固定大小的批次，这些批次的图像通过自注意力机制进行交互，以建模图像的上下文信息；自注意力机制允许每个批次的图像关注其他所有批次的图像的信息，捕捉到图像的全局信息；除自注意力机制外，transformer网络还包含两个额外的层：前馈神经网络和位置编码；前馈神经网络用于捕捉局部特征，而位置编码则用于捕捉每个批次图片的位置信息。

4.根据权利要求1所述的基于类间距离扩张的实例级小...

【专利技术属性】
技术研发人员：栾晓，何子剑，叶昌昊，
申请(专利权)人：重庆邮电大学，
类型：发明
国别省市：