基于补丁匹配度量的语义交互元学习网络及学习方法技术

本发明专利技术公开了一种基于补丁匹配度量的语义交互元学习网络及学习方法，学习网络包括：特征提取器接收支持集图像和查询图像，输出补丁嵌入；任务自适应的补丁嵌入更新模块接收补丁嵌入，输出支持集图像的任务自适应的补丁嵌入；通道语义交互模块，接收支持集图像的任务自适应的补丁嵌入，输出支持集图像的语义补丁嵌入；匹配度量模块，接收支持集图像的语义补丁嵌入和查询图像的补丁嵌入，计算查询图像与每个类别的支持集图像的补丁级相似度；分类器，计算查询图像的分类概率和分类交叉熵损失。其解决了现有元学习应用于小样本图像分类场景下出现的监督崩溃问题以及语义知识未得到有效利用的问题，缓解了小样本图像分类准确率低的问题。

【技术实现步骤摘要】

【】本专利技术属于元学习的，具体涉及一种基于补丁匹配度量的语义交互元学习网络及学习方法。

技术介绍

0、
技术介绍

1、随着大规模数据集的广泛应用和深度卷积架构的快速发展，监督学习在计算机视觉、语音识别、机器翻译等多个领域扮演着重要的角色。然而，在异常检测、医疗图像处理等缺乏大规模可用数据的领域，很难获得足够的训练样本来支持监督学习方法，导致模型的性能下降。相比之下，小样本学习(few-shot learning,fsl)旨在模拟人类所具备从少量数据中学习的能力，而元学习是一种用于解决小样本学习问题的方法。元学习通过在大量不同任务上进行学习，从中提取通用的知识或模式，使得模型能够在面对新任务时快速适应和学习。

2、度量元学习方法从广泛的任务空间中学习样本间的相似性度量，从而学会区分输入图像的类别，无需微调就可以快速适应于小样本分类任务。原型网络是一种经典的基于度量的元学习架构，用于解决小样本学习问题。原型网络的核心思想是通过学习类别的原型来进行分类，后续的dynamicfsl等方法以原型网络为基础，结合了预训练的方法，形成了预训练本文档来自技高网...

【技术保护点】

1.基于补丁匹配度量的语义交互元学习网络，其特征在于，包括：

2.基于补丁匹配度量的语义交互元学习方法，其特征在于，包括以下步骤：

3.如权利要求2所述的基于补丁匹配度量的语义交互元学习方法，其特征在于，所述步骤3的具体过程为：

4.如权利要求3所述的基于补丁匹配度量的语义交互元学习方法，其特征在于，所述步骤4的具体过程为：

5.如权利要求4所述的基于补丁匹配度量的语义交互元学习方法，其特征在于，所述步骤5的具体过程为：

6.一种电子设备，其特征在于，包括存储器和处理器；

7.一种计算机可读存储介质，其上存储有计算机...

【技术特征摘要】

1.基于补丁匹配度量的语义交互元学习网络，其特征在于，包括：

2.基于补丁匹配度量的语义交互元学习方法，其特征在于，包括以下步骤：

3.如权利要求2所述的基于补丁匹配度量的语义交互元学习方法，其特征在于，所述步骤3的具体过程为：

4.如权利要求3所述的基于补丁匹配度量的语义交互元学习方法，其特征在于，所述步骤4的具体过程...

【专利技术属性】
技术研发人员：卫保国，张悦，王新宇，苏月童，李旭，李立欣，
申请(专利权)人：西北工业大学，
类型：发明
国别省市：