[发明专利]基于边特征关系映射图神经网络模型的小样本图像分类方法

说明书

一种基于边特征关系映射图神经网络模型的小样本图像分类方法，属于计算机视觉与图像分类领域，意图在仅存在少量标签样本的情况下有效地完成图像分类任务，要点是：设定图神经网络的总层数为L，并令当前层数l＝1；节点特征更新；边特征更新；令l＝l+1，如果l的值小于等于L，则重新回到步骤5，继续节点特征更新和边特征更新；如果l的值大于L，则结束图神经网络迭代过程；根据图神经网络迭代完成后的边特征状态，来构建相应的损失函数；根据计算出的损失值和设定的学习速率，对整个网络进行梯度的反向传播，更新网络参数得到神经网络模型，并基于所述模型进行小样本图像分类，效果是该方法能够有效提升传统网络在少量样本数据情况下的分类准确率，同时提升了网络的迁移性和稳定性。

技术领域

本发明属于计算机视觉与图像分类领域，尤其涉及一种基于边特征关系映射图神经网络模型的小样本图像分类方法。

背景技术

近年来，随着人工智能技术的逐渐兴起以及硬件条件的迅速发展，深度学习被广泛应用在人们日常生活的各个领域，例如图像处理、语音识别、目标跟踪等等。通常的深度学习任务所需求的数据量是十分庞大的，而且所需的人工标注成本也很大，尽管目前有着大数据这一领域，但对于某些特定的训练任务，深度无法达到很好的训练效果。正常情况下，一个深度学习任务如果没有被供给足够多的数据，那么其训练结果必定是过拟合的，而且一般的深度神经网络对于不同训练任务的迁移性很差。那么，如何在仅有少量标签样本的情况下进行图像分类任务，成为了近几年的研究热点。

小样本学习的主要思路是使神经网络在少量标签样本的条件下，能够有效学习并快速适应各种不同的学习任务。在实际应用当中，微调(Fine Tune)和半监督学习能够一定程度上解决数据量不足和不同任务间迁移性差的问题，但效果有限。为了从根本上解决该类问题，度量学习、元学习、图神经网络等各种方法相继被提出，为小样本学习提供了新的研究方向。

现有技术中，2015年由Gregory Korch等提出的孪生网络模型就是比较典型的度量学习。该网络将训练任务和测试任务分开进行，在训练时让网络进行二分类任务，即分辨两张图片是否为同一类，对应着标签为0或1。每次训练时的两张图片均从训练集中随机抽取，并人工标注相似度。网络的基本结构为孪生结构，即先经过两路权重共享的卷积神经网络将图片的特征提取出来，再将两个特征进行L-1距离度量，输入到全连接层，最后输出一个0到1之间的概率值。(Gregory Korch,Richard Zemel,Ruslan Salakhutdinov.SiameseNeuralNetworks for One-shot Image Recognition[C].2015.)

2018年，由Sung等提出的关系网络给出了有关度量学习的一个新思路，即让神经网络自身去学习一种度量方式，而不去人为规定。在该网络中有两个主要结构，其一是特征映射模块，其二是关系度量模块。关系度量模块的输入为两个图像特征的串联拼接，输出为0到1的相似度。(Sung F,Yang Y,Zhang L,et al.Learning to Compare:RelationNetwork for Few-ShotLearning[C].2018.)

2019年，Jongmin Kim等提出了边缘标记图神经网络。该网络首先构建一个图神经网络模型，其次将节点和边进行迭代更新，最后根据最终层的边缘信息来对图像进行分类。(Jongmin Kim,Taesup Kim,Sungwoong Kim,et al.Edge-Labeling Graph NeuralNetwork for Few-shot Learning[C].2019.)

图神经网络是近些年来兴起的新型神经网络。它基于图结构，包含节点和边信息。以最简单的全连接图为例，每个节点信息的更新与其他所有节点均有关联，边的更新则在节点更新之后完成。图神经网络可以做到传统深度学习无法做到的东西，它能够得到很多隐含的特征信息以及特征与特征之间的联系。

发明内容