[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

说明书

本发明公开了一种基于双元组扩充的小样本图像分类方法及装置。其中，该方法包括：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，第一网络模型来自孪生网络的任何一个，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，样本集通过对小样本图像集使用双元组扩充得到，样本集中的每个元素为一个双元组；确定提取特征与K均值聚类模型的每一类聚类中心的距离，其中，聚类中心通过对样本集的特征进行处理得到；确定距离最小的聚类中心所属的类别为待分类图像的类别。本发明解决了现有技术中由于样本数量过少，导致训练的模型过拟合、不够精确的技术问题。

技术领域

本发明涉及图像处理领域，具体而言，涉及一种基于双元组扩充的小样本图像分类方法及装置。

背景技术

深度学习取得了巨大的成就，在各种计算机视觉挑战性问题上实现了类似于人类水平甚至超越人类水平的性能。卷积神经网络(Convolutional Neural Network，CNN)是常用的进行图像分类的深度学习方法之一。

然而，卷积神经网络之所以有较高的准确率，是因为其建立在大规模且质量较高的数据集之上的，需要大量携带标记的样本。但在实际应用中，或在一些特殊场景中(譬如医疗、遥感图像等领域)，我们无法获得大量的高质量样本集，勉强训练好的模型在测试数据上的泛化性能较差，甚至出现过拟合的现象。

针对现有技术中由于样本数量过少，导致训练的模型不够精确的技术问题，目前尚未提出有效的解决方案。

发明内容

本发明实施例提供了一种基于双元组扩充的小样本图像分类方法及装置，以至少解决现有技术中由于样本数量过少，导致训练的模型过拟合、不够精确的技术问题。

根据本发明实施例的一个方面，提供了一种基于双元组扩充的小样本图像分类方法，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，第一网络模型来自孪生网络的任何一个，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，样本集通过对小样本图像集使用双元组扩充得到，样本集中的每个元素为一个双元组；确定提取特征结果与K均值聚类模型的每一类聚类中心的距离，其中，聚类中心通过对样本集的特征进行处理得到；确定距离最小的聚类中心所属的类别为待分类图像的类别。

可选地，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；根据双元组正样本集和双元组负样本集，得到样本集。

可选地，通过以下公式计算样本集的数量K：其中，m表示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。

可选地，样本集中每一个元素的最终标签通过以下步骤确定：通过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，第二网络模型为卷积神经网络；使用训练好的第二网络模型提取元素的两个特征向量，对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；根据元素的原始标签直接进行判断，得到第二处理结果；对第一处理结果和第二处理结果进行加权计算，得到最终标签。

可选地，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，/表示第二网络模型对当前图像的预测值，α₂表示第二正则项的正则系数，ω₂表示第二网络模型的模型参数。

可选地，孪生网络通过使用带有最终标签的样本集中的训练集训练两个初始第一网络模型得到。