[发明专利]基于多头特征协作的小样本图像分类方法

说明书

本发明公开了一种基于多头特征协作的小样本图像分类方法，属于模式识别技术领域，同时使用多种特征提取器提取的嵌入特征，且引入子空间学习方法，将原始的多头特征转换到统一的低维表示空间中，这同时有助于减少冗余信息，有效的解决了不同嵌入特征处于不同特征空间，存在的测量尺度不一致的问题。此外，通过设计权重计算部分来自动更新每个多头特征的组合权重，将处理后的多头嵌入特征进行级联得到样本的协作表示，有效解决多头特征的合理使用问题。

技术领域

本发明涉及模式识别技术领域，特别涉及一种基于多头特征协作的小样本图像分类方法。

背景技术

受到人类认知学习的启发，学者们提出小样本图像分类问题，在学习有限类别的大量的样本后，利用先验知识，遇到新的类别时，只需要少量的样本数据就能快速准确的学习。最近几年，小样本学习相关问题成为机器学习领域新的重要研究方向，被认为是下一代人工智能的发展方向之一。

目前，主要的小样本图像分类方法有以下几种：

(1)基于数据扩充的小样本图像分类方法：基于数据扩充的小样本图像分类方法是Gao H和Shou Z等于2018年提出的，它使是用生成对抗网络从原始数据集生成新的样本数据集，为了解决生成对抗网络小样本图像分类训练时样本数据不足的问题，设计了一个生成器将大概率类的样本数据映射到小概率类的样本数据。该小样本图像分类方法通过扩充数据在模式识别中表现出许多特有的优势。然而，生成样本的过程中只确保了生成样本的正确性，没有考虑样本的分布，这对分类是十分不利的。

(2)基于原型网络的小样本图像分类方法：基于原型网络的小样本图像分类方法是Snell J和Swersky K等于2017年提出的，它使用支持集中每类样本特征的均值作为该类的一个表示，通过欧几里得距离来度量相似性，预测未知样本的标签。该方法简单有效，在小样本图像分类任务中达到了较好的性能。但是，由于小样本图像训练数据极少，仅使用训练样本对样本分布进行估计十分的困难，会导致最终分类出现一定的偏差。

(3)基于优化的小样本图像分类方法：基于优化的小样本图像分类方法是Ravi S和Larochelle H等于2017年提出的，它提出一种用于元学习与模型无关的框架，它只有一个权值初始化，可以使用任意数量的梯度步长进行自适应学习，模型利用随机梯度下降法来训练，更容易微调以适应新的样本数据，该模型可以在小样本数据集上进行快速训练。但是测试阶段没有充分挖掘无标签样本的价值。

发明内容

为了解决现有技术的小样本图像分类方法在图像分类过程中存在的问题，本发明实施例提供一种基于多头特征协作的小样本图像分类方法，通过引入子空间学习方法，将原始的多头特征转换到统一的低维度空间中，有效解决不同嵌入特征处于不同特征空间时，存在的测量尺度不一致的问题。所述技术方案如下：

本发明提供了一种基于多头特征协作的小样本图像分类方法包括：

采用卷积神经网络提取图像特征；

通过直接优化第一目标函数训练分类器，利用分类器预测测试样本的类别，其中，所述第一目标函数为：

其中，diml和N分别表示样本的尺寸和数量，C表示类别的数量，x_n，y_n(n＝1，2，...，N)表示n_th样本的嵌入特征向量和标签向量，表示要学习的分类器，||·||_F表示对(·)做正则化，μ表示分类器W约束项的权重；

所述分类器W为：

W＝YX^T(XX^T+μI)^-1

其中，I表示一个单位矩阵；

所述测试样本特征的类别为：