[发明专利]一种基于流形学习和高阶图神经网络的小样本图像分类方法

说明书

本发明公开了一种基于流形学习和高阶图神经网络的小样本图像分类方法，主要解决当前小样本学习方法在未知类别的图像分类任务上泛化性能差的问题。其主要分类过程是：首先利用卷积神经网络对输入图像进行特征提取，其次构建一个嵌入传播网络，将特征提取得到的图像特征映射到一组插值的特征嵌入，然后利用特征嵌入计算高阶结构信息，之后特征传播网络对图像特征进行处理，包括节点特征和边特征的更新，归一化，逐层计算流形损失，最后输出未标记样本的标签，并且通过反向传播对模型进行约束。本发明方法为小样本图像分类提供了一个新思路，通过构造嵌入传播网络和利用高阶信息，缓解了分布偏移问题，提高了模型的泛化性能和分类性能。

技术领域

本发明涉及图神经网络与图像处理的交叉领域，尤其是一种基于流形学习和高阶图神经网络的小样本图像分类方法。

背景技术

为了从有限的样本中学习，机器学习发展出了一个新的子领域，即小样本学习(Few-Shot Learning,FSL)。实现了小样本学习，就意味着有了“举一反三”的学习能力。一旦某些类别已经被模型学习到，那么在这个学习过程中的有用信息就会被抽象出来，使得该模型对其他类别的学习更有效。FSL可以通过结合先验信息从少量样本中学习新的任务。小样本学习之所以备受关注，原因在于：首先，现实世界中事物的数量是符合长尾分布的，大部分事物的数量是很少的。另外，人类学习一个概念时，并不需要百万或千万级的数据。因此，小样本学习成为了神经网络和图像处理领域的研究热点。

图神经网络(Graph Neural Network,GNN)将每一个样本当做图中的一个节点，样本之间的关系作为图中的边。该模型不仅学习每个节点的嵌入向量，还学习每条边的嵌入向量。先利用卷积神经网络将所有样本嵌入到向量空间中，再将样本向量与标签连接后输入图神经网络，构建每个节点之间的边，之后通过图卷积更新节点向量，最后通过节点向量不断更新边的向量，这就构成了一个深度的图神经网络。GNN通过消息传递迭代地执行来自邻居的特性聚合，因此可以表示数据实例之间的复杂交互。由于小样本学习算法需要充分利用支持集和查询之间的关系，使用GNN很自然地有能力来解决小样本学习问题。

发明内容

技术问题：提出一种基于流形学习和高阶图神经网络的小样本图像分类方法，可提高图像分类的精确度，增强模型的泛化能力。

技术方案：本发明公开了一种基于流形学习和高阶图神经网络的小样本图像分类方法，包括以下步骤：

步骤1，获得图像数据集作为训练和验证图神经网络的数据，将图像数据集中每类样本都分为训练集和测试集；每类样本中训练集和测试集的比例为4:1，对训练集中的部分图像进行标记，将训练集分为带标记样本和未标记样本；

步骤2，将训练集中的数据输入特征提取网络，得到图像特征向量，特征提取网络采用卷积神经网络；

步骤3，将特征提取网络得到的图像特征向量输入嵌入传播网络，映射得到一组插值的特征，称之为嵌入特征；

步骤4，将嵌入特征作为基准特征，并计算边特征和高阶特征，将基准特征、边特征和高阶特征作为特征传播网络的初始特征；

步骤5，在特征传播网络的每一层，交替更新节点特征和边特征，所述节点特征是指基准特征和高阶特征，采用这种迭代的特征传播方法使得图神经网络可以根据自身结构特性更新部分参数，将带标记样本的信息传播到未标记样本；

步骤6，输出层是使用softmax函数的全连接层，将学习到的特征表示映射到样本的标记空间，输出模型对输入图片的预测标签；