[发明专利]小样本图像分类的方法

说明书

本发明公开了小样本图像分类的方法，涉及机器学习技术领域，解决了分类模型中使用少量样本不能达到较高分类准确率的技术问题，其技术方案要点是在训练和测试时保持高度的一致性，都以K类各Z张图像以及待分类图像作为模型的一次输入，有利于准确率的提升。同时，在对图像进行特征提取后，使用多尺度思想，分别考虑不同尺度下已知类别的图像特征与待分类图像特征的关系。不同的尺度有利于对图像中不同大小物体的相似度判断；同尺度已知类别的图像特征与待分类图像特征一起输入分类器能够综合考虑各类别间的亲疏关系，更好地输出各类别与待分类图像的相似度，提高了小样本图像分类的准确率。

技术领域

本公开涉及机器学习技术领域，尤其涉及一种小样本图像分类的方法。

背景技术

得益于海量训练数据，参数量较大的卷积神经网络模型在图像分类问题中的表现甚至超越了人类水平。然而在许多场景下，人类无法获得大量的训练数据，一般分为两种情况。第一种情况，能获取的样本比较稀少，比如输电线路冰灾预测问题中，冰灾发生次数较少，客观上无法获得大量数据；身份证等证件识别问题中，证件涉及他人隐私，能合法获得的证件图像较少。第二种情况，样本类型标记繁琐，没有足够的人力或相关领域专家对图像进行标记，比如医学上各部位肿瘤类型分类。

常见的深度学习模型的参数量一般较大，通常需要海量数据的支撑，如果使用少量的样本数据来训练模型，即使使用随机失活技术也容易产生过拟合问题，导致最终测试结果准确率不高。面对此类问题，我们需要改变使用大量数据训练模型的方式，研究出使用少量样本即可达到较高分类准确率的模型，这类任务被称为小样本学习，本申请针对其中的小样本图像分类问题，提供了一种小样本图像分类的方法。

发明内容

本公开提供了一种小样本图像分类的方法，其技术目的是提供一种使用少量样本就能达到较高分类准确率的小样本分类模型，从而提高图像分类的准确率。

本公开的上述技术目的是通过以下技术方案得以实现的：

一种小样本图像分类的方法，包括：

S1：获取小样本图像分类的数据集，所述数据集包括训练集、支持集和测试集；其中，所述训练集包括M个类别；所述支持集包括K个类别，K≤M，每个类别包括至少Z个图像，且所述训练集的类别与所述支持集的类别的交集为0；所述测试集的类别都包含在所述支持集的类别中；所述训练集和所述支持集的图像都包括标签，所述测试集的图像不包括标签；

S2：将所述训练集划分为样本集和查询集，所述样本集和所述查询集都包括M个类别，将所述样本集和所述查询集投入到第一小样本分类模型进行训练，得到第二小样本分类模型；

S3：通过所述支持集和所述测试集对所述第二小样本分类模型进行测试，得到分类准确率，根据所述分类准确率对所述第二小样本分类模型的超参数进行调整后重复步骤S2，直至所述第二小样本分类模型的分类准确率达到预设值，即得到最终小样本分类模型；

S4：将实际任务中需要分类的图像与所述支持集输入到所述最终小样本分类模型中，对实际任务中需要分类的图像进行分类；

其中，所述步骤S2包括：

S21：从所述样本集中随机选择K个类别，每个类别包括Z个图像，则第i个类别的第j个图像记作x_ij，i∈K，j∈Z；将图像x_ij投入到第一小样本分类模型的第一编码器中进行特征提取，得到K*Z张样本特征图；

S22：对类别相同图像的样本特征图的算术平均值进行计算，得到K个类别的K个样本特征图f(x₁)，f(x₂)，…，f(x_K)；

S23：从所述查询集随机选择一个图像x，将所述图像x投入到所述第一编码器中进行特征提取，得到查询特征图f(x)；