提高小样本学习中先验知识可靠性的方法技术

本发明专利技术公开了一种提高基于贝叶斯的小样本学习中先验知识的可靠性的方法，属于计算机图像分类领域。该方法利用预训练的WideResNet28‑10网络作为骨干网络，来提取数据集的特征以生成每个类别的统计数据；使用word2vec词向量模型提取支持集和基集中每个类别标签的词向量，利用语义相似性为支持集中每个类别从基集中筛选出top‑k个最相似的类别；利用基集中最相似的top‑k个类别的统计信息及支持集的统计信息作为先验了，通过贝叶斯框架将随机变量的先验概率密度转换为后验概率密度，从而预测查询图像的标签。本发明专利技术通过语义信息介入来增强小样本图像分类的准确性，对小样本图像分类具有重要意义。

【技术实现步骤摘要】

本专利技术涉及计算机图像分类领域，具体来说，涉及一种提高小样本学习中先验知识可靠性的方法。

技术介绍

1、在计算机图像识别领域，深度学习方法在计算机和诸如语言、语音和视觉等通信领域取得了显著的突破。然而，这种强大的能力通常需要数百甚至数千个样本来进行训练，而要收集足够的标记样本往往是不现实或不可能的。因此，小样本学习(fsl)对于使分类器在小数据范围内有效是至关重要的。具体地说，我们考虑了这样一个场景，其中一个模型从具有大量标记样本的基集中学习，从而推广到具有很少标记示例的新类。现有的小样本学习研究主要基于三个策略：基于初始化，基于度量学习和基于虚幻的方法。虽然他们采取了截然不同的方法论，但它们大体上都是基于基本的元学习范式，并通过一点或者多点来优化它们。这些方法由于样本数量的稀少以及预先假设模型对小样本任务更加敏感，容易受到过拟合的影响。

2、为了缓解这个问题，出现了一种流行的基准方法，即建模预先给定相关基础类的新类别分布，其中最终要的是捕捉到新类别(最相关的对应类别)的先验知识。为了从基集中找到与新类别最相关的对应类别，通常需要计算基集和新本文档来自技高网...

【技术保护点】

1.一种提高基于贝叶斯的小样本学习中先验知识可靠性的方法，其特征在于，其具体步骤如下：

2.根据权利要求1所述的方法，其特征在于：步骤(A)的具体步骤如下：

3.根据权利要求1所述的方法，其特征在于：步骤(B)的具体步骤如下：

4.根据权利要求1所述的方法，其特征在于：步骤(C)的具体步骤如下：

【技术特征摘要】

1.一种提高基于贝叶斯的小样本学习中先验知识可靠性的方法，其特征在于，其具体步骤如下：

2.根据权利要求1所述的方法，其特征在于：步骤(a)的具体步骤如下...

【专利技术属性】
技术研发人员：黄正，吴加莹，仲兆满，陈镜宇，姬鹍，曹璐，杨钰颖，王艺锦，
申请(专利权)人：江苏海洋大学，
类型：发明
国别省市：