[发明专利]基于元学习的少样本图像情感分类方法

权利要求书

1.一种基于元学习的少样本图像情感分类方法，其特征在于所使用的数据集包括用于元学习的元训练阶段的源数据集和用于目标图像情感分类的目标数据集，所述基于元学习的少样本图像情感分类方法包括以下步骤：

S1利用源数据集和目标数据集构建元训练任务和元测试任务

依据目标数据集中图像情感类别和图像数量，首先在源数据集随机采样与目标数据集中图像情感类别数量相同的图像情感类别；再在所有属于随机采样到的图像情感类别的图像样本中随机采样与目标数据集中具有情感标签信息的图像数量相同的图像样本，得到一个支持集；然后从所有属于随机采样到的图像情感类别的剩余图像样本中随机采样若干样本作为查询集；所述支持集和查询集构成即为在源数据集上采样出的一个少样本情感分类的元训练任务；

重复上述操作，即可获得多个元训练任务；

将对目标数据集的分类任务称为元测试任务；

S2学习元训练任务

利用分类模型在随机采样出来的多个元训练任务上进行元学习，通过多个小批次的训练，优化分类模型初始化参数；

S3对目标数据集图像情感分类

利用学习到的分类模型应用到目标数据集，执行元测试任务；首先使用目标数据集中的带有情感标签信息的图像样本对分类模型初始化参数进行微调，再使用初始参数微调后的分类模型对目标数据集中剩余的图像进行情感分类。

2.根据权利要求1所述基于元学习的少样本图像情感分类方法，其特征在于步骤S1中，给定源数据集为D_train，目标数据集为D_test，目标数据集上的元测试任务是一个N-Way，K-Shot的分类任务，N表示目标数据集总的类别个数，K表示每个类别具有情感标签信息的图像数；具体的一次随机采样过程如下：在源数据集D_train所属的类别集合C_train中随机采样N个类别，作为这个任务的总的类别；再在所有属于这N个类别的样本中随机采样N*K个图像样本作为这个任务的支持集；最后在属于这N个类别的剩余图像样本中随机采样P个图像样本作为这个任务的查询集；至此，在源数据集上采样出了一个元训练任务；重复上述操作多次即可获得多个随机采样得到的元训练任务。

3.根据权利要求1或2所述基于元学习的少样本图像情感分类方法，其特征在于步骤S2包括以下分步骤：

S21将所有元训练任务分为L批次元训练阶段，并令l从l＝1开始；

S22对于第l批次元训练阶段，利用分类模型对该批次内的所有元训练任务进行学习，并使用梯度下降算法对分类模型初始化参数进行优化更新；

S23判断分类模型是否收敛，若模型收敛，进入步骤S3；否则进入步骤S24；

S24判断元训练阶段次数是否达到最大次数L，若达到最大次数L，则令l＝1，返回步骤S22；否则，将元训练阶段次数在l基础上增加1，返回步骤S22。