[发明专利]一种基于双元组扩充的小样本图像分类方法及装置

权利要求书

1.一种基于双元组扩充的小样本图像分类方法，其特征在于，包括：

使用第一网络模型对待分类图像进行特征提取，得到提取特征结果，其中，所述第一网络模型来自孪生网络的任何一个，所述孪生网络是利用样本集中的训练集进行训练后得到的两个级联的卷积神经网络，所述样本集通过对小样本图像集使用双元组扩充得到，所述样本集中的每个元素为一个双元组，双元祖为两张同类的图片或不同类的图片；

确定所述提取特征结果与K均值聚类模型的每一类聚类中心的距离，其中，所述聚类中心通过对所述样本集的特征进行处理得到；

确定所述距离最小的聚类中心所属的类别为所述待分类图像的类别；

所述样本集通过对小样本图像集使用双元组扩充得到，包括：

通过排列组合的方式处理所述小样本图像集，得到扩充后的双元组正样本集和双元组负样本集；

根据所述双元组正样本集和所述双元组负样本集，得到所述样本集，双元组正样本包括属于同一个类别的两张图片，双元组负样本包括不属于同一个类别的两张图片。

2.根据权利要求1所述的方法，其特征在于，通过以下公式计算所述样本集的数量K：

其中，m表示所述小样本图像集包括的类别数量，n表示每个类别包括的图像数量。

3.根据权利要求1所述的方法，其特征在于，所述样本集中每一个元素的最终标签通过以下步骤确定：

通过所述样本集训练第二网络模型，得到训练好的第二网络模型，其中，所述第二网络模型为卷积神经网络；

使用训练好的所述第二网络模型提取所述元素的两个特征向量，对所述特征向量做余弦相似度处理，并将处理后的结果与第一阈值比较，得到第一处理结果；

根据所述元素的原始标签直接进行判断，得到第二处理结果；对所述第一处理结果和所述第二处理结果进行加权计算，得到所述最终标签。

4.根据权利要求3所述的方法，其特征在于，所述第二网络模型的损失函数L表示如下：

L＝L₀+L₂

其中，L₀表示交叉熵，L₂表示第二正则项，y表示当前图像的标签，表示所述第二网络模型对所述当前图像的预测值，α₂表示所述第二正则项的正则系数，ω₂表示所述第二网络模型的模型参数。

5.根据权利要求3所述的方法，其特征在于，所述孪生网络通过使用带有所述最终标签的所述样本集中的训练集训练两个初始第一网络模型得到。

6.根据权利要求5所述的方法，其特征在于，所述第一网络模型的损失函数F表示如下：

F＝L(W，(Y，X₁，X₂))+L₁

其中，表示所述训练集中每个元素的两个特征X₁和X₂的欧式距离，P表示所述元素的特征维数，Y为所述元素的两个图像是否匹配的标签，Y＝1表示所述两个图像相似或者匹配，Y＝0则表示不匹配，d表示第二阈值，H表示所述训练集的元素数量，α₁表示第一正则项的正则系数，ω₁表示所述第一网络模型的模型参数。