【技术实现步骤摘要】
本专利技术属于小样本图像分类，尤其涉及一种层次结构标签驱动的小样本图像分类方法。
技术介绍
1、现今社会数据呈爆炸性增长趋势，多途径获取的海量数据可以支撑复杂模型训练，并取得了显著的效果。但较多领域存在数据稀缺情况，如医疗领域新兴疾病、电信诈骗、安保领域的改装危险品、检测领域的缺陷样本等。这类数据的获取和标注困难且与已知领域数据密切相关，导致模型训练不充分而效果低下，受感于儿童在见到少量图片后能准确分辨事物的能力，我们希望模型具有对这类数据的泛化性能和针对少量样本的学习能力。这类信息有限的学习问题称之为小样本学习，涉及相关研究领域包括小样本学习（few-shot learning）、迁移学习（transfer learning）、非均衡分类（imbalanceclassification）、细粒度分类（fine-grained classification）、异常检测（anomalydetection）等。
2、小样本学习属于监督学习范畴，因此解决方案主要围绕少样本所含有信息如何有效利用展开。主要方法分为以下三个方向：>
3、第一种方本文档来自技高网...
【技术保护点】
1.一种层次结构标签驱动的小样本图像分类方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的层次结构标签驱动的小样本图像分类方法，其特征在于，所述卷积神经网络根据数据标签所含有的粒度不同构建粗粒度、粗细粒度结合以及细粒度数据对。
3.根据权利要求1所述的层次结构标签驱动的小样本图像分类方法，其特征在于，所述步骤S2中，对比损失采用最大边缘损失，通过对包含锚点的数据对计算欧式距离得到；数据对中样本若为同类，则最小化距离，若为异类，则最大化两者距离超过间隔，间隔为一个超参数；对比损失的计算过程如下：
4.根据权利要求1所述的层次结...
【技术特征摘要】
1.一种层次结构标签驱动的小样本图像分类方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的层次结构标签驱动的小样本图像分类方法，其特征在于，所述卷积神经网络根据数据标签所含有的粒度不同构建粗粒度、粗细粒度结合以及细粒度数据对。
3.根据权利要求1所述的层次结构标签驱动的小样本图像分类方法，其特征在于，所述步骤s2中，对比损失采用最大边缘损失，通过对包含锚点的数据对计...
【专利技术属性】
技术研发人员：崔建钊，李雄飞，张小利，朱芮，杨飞扬，
申请(专利权)人：吉林大学，
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。