基于自监督多任务优化的小样本图像分类方法、装置及介质制造方法及图纸

本发明专利技术公开了一种基于自监督多任务优化的小样本图像分类方法、装置及介质，所述方法包括基于小样本训练范式，将预先获取的数据集划分为训练集、验证集和测试集；将数据集中的图片进行缩放，统一分辨率；在小样本图像分类基础上引入自监督辅助学习任务；在训练过程中，将每个自监督辅助任务的梯度方向朝向主任务的梯度方向旋转对齐，减少任务间梯度的冲突；在任务间损失大小上，通过自适应的方法来加权任务参数，平衡不同任务损失的大小。本发明专利技术减少任务间梯度的冲突，平衡不同任务的损失大小，结合多种辅助自监督任务，在小样本图像分类数据集上达到较高分类精度。

【技术实现步骤摘要】

本专利技术属于计算机视觉领域，具体涉及一种基于自监督多任务优化的小样本图像分类方法、装置及介质。

技术介绍

1、过去几年以来，人工智能领域，尤其是计算机视觉领域、自然语言处理领域和机器学习领域都取得了巨大的突破。目前成果的取得不仅依赖深度卷积神经网络所带来的强大的计算能力，更依赖于大量用于训练的有标签数据样本。然而，大规模数据集的收集和标注既耗时又昂贵，且与图像数据集相比而言，视频数据集的采集和标注会更加昂贵。除此之外，在涉及到隐私安全和道德伦理等相关的领域，大规模数据集的收集将会面临更大的阻力。相比较而言，人类却可以通过少量的样本快速地学习新类，这不仅依赖人脑的计算能力，还在很大程度上取决于人脑能够从以前学到的信息中综合和学习新信息的能力。除此之外，机器只能通过昂贵且耗时的反复的离线训练来学习新的未知类的信息，人类却可以持续动态的学习新的概念。因此，当前人工智能领域的发展迫切需要减少模型在训练过程中对大量有标签的数据的依赖，使得模型在标记数据缺少的情况下仍然可以保持优异的性能。小样本图像分类方法就是以上问题作为出发点，为模型提供少量的新类的数据后，模型能本文档来自技高网...

【技术保护点】

1.一种基于自监督多任务优化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所述的一个基于自监督多任务优化的小样本图像分类方法，其特征在于，步骤(2)所述的分辨率为84×84。

3.根据权利要求1所述的一个基于自监督多任务优化的小样本图像分类方法，其特征在于，所述步骤(3)的自监督辅助任务包括图像旋转角度预测、图像块相对位置预测和图像拼接顺序预测；将训练集中所有的样本Xb作为自监督任务的输入，得到自监督损失Lself(θ,φ；Xb)，其中，θ是特征提取器的参数，φ是用于自监督任务的网络参数。

4.根据权利要求1所述的一个基于自监督多...

【技术特征摘要】

1.一种基于自监督多任务优化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所述的一个基于自监督多任务优化的小样本图像分类方法，其特征在于，步骤(2)所述的分辨率为84×84。

3.根据权利要求1所述的一个基于自监督多任务优化的小样本图像分类方法，其特征在于，所述步骤(3)的自监督辅助任务包括图像旋转角度预测、图像块相对位置预测和图像拼接顺序预测；将训练集中所有的样本xb作为自监督任务的输入，得到自监督损失lself(θ,φ；xb)，其中，θ是特征提取器的参数，φ是用于自监督任...

【专利技术属性】
技术研发人员：李文斌，孙梦颖，霍静，高阳，
申请(专利权)人：南京大学，
类型：发明
国别省市：