[发明专利]基于原型网络和自编码器的小样本图像分类系统

权利要求书

1.一种基于原型网络的自编码器网络机制解决小样本图像分类的系统，其特征在于，包括：

原型网络模型，所述原型网络模型为基于映射学习的原型网络模型，用于计算出各基类样本的类原型表征和新类支持集样本的类原型表征；

自编码器，所述自编码器包括编码器和解码器，编码器用于学习样本间的差异信息，解码器用于解码差异信息和新类支持集样本的类原型表征并生成重构样本；

分类器，所述分类器为重构样本与新类支持集样本一起训练获得，用于预测新类样本的标签并对新类测试样本进行分类。

2.根据权利要求1所述的一种基于原型网络的自编码器网络机制解决小样本图像分类的系统，其特征在于，所述原型网络模型包括四个卷积块，每个卷积块包括一个卷积核大小为3*3的卷积层、一个batch标准化层、一个ReLU非线性层和一个2*2的最大池化层。

3.根据权利要求1或2所述的一种基于原型网络的自编码器网络机制解决小样本图像分类的系统，其特征在于，所述编码器与解码器各包含一个多层感知机MLP，MLP包括一个8192单元的隐藏层和一个ReLU的激活层。

4.利用基于原型网络的自编码器网络机制解决小样本图像分类的方法，是基于权利要求1-3任一项所述一种基于原型网络的自编码器网络机制解决小样本图像分类的系统实现的，其特征在于，包括：

步骤一，对于输入的基类数据集，训练一个基于映射学习的原型网络，计算出各基类的类原型表征和新类支持集样本的类原型表征，然后训练自编码器；

步骤二，依次从基类数据集中随机选出N个与新类支持集样本原型表征相似的样本，并将其与对应的原型表征输入到自编码器中；将编码后得到的N个差异信息与新类支持集样本的类原型表征输入到解码器，最后解码器输出N个重构样本；

步骤三，将新类支持集样本与重构样本一起训练一个线性分类器，再用新类的测试样本输入到分类器来计算分类准确率。

5.根据权利要求4所述的利用基于原型网络的自编码器网络机制解决小样本图像分类的方法，其特征在于，所述步骤一，具体步骤为：

1.1利用基类数据集训练一个由四个卷积块组成的原型网络模型，使用欧氏距离来度量测试样本与类原型表征的距离，离测试样本最近的类原型表征的类别作为预测类别，使用交叉熵损失函数优化原型网络模型参数；

1.2将各基类和新类支持集的样本输入到预训练的原型网络模型，得到样本在特定隐空间的向量表示；

1.3对映射到特定隐空间的基类样本的支持向量点取均值，得到各基类的类原型表征；

1.4将1.3得到的类原型表征分别与该类对应的样本输入到编码器，编码器计算出其差异信息；

1.5将1.4得到的差异信息和1.3得到的类原型表征输入到解码器，输出重构样本，通过最小化重构损失，最终训练出自编码器。