[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

说明书

本申请公开了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、方法、设备及存储介质，属于计算机视觉技术领域。解决了现有技术中无法同时利用样本类内与类间分布情况的不足。本申请1)针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和编码神经网络，学习出基类的类原型表征，并计算类内样本与类原型表征的距离。2)对于编码后得到的类内样本的相对分布信息，再与类原型表征一起训练出解码神经网络，用来针对于支持集样本与类原型表征的相对分布信息输出一定数量的重构样本。3)将重构样本与支持集样本一起训练一个分类器，以提高小样本图像分类的准确率。本申请提高了分类器的性能和泛化能力。

技术领域

本申请涉及一种小样本图像分类的系统、方法、设备及存储介质，尤其涉及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、方法、设备及存储介质，属于计算机视觉技术领域。

背景技术

小样本图像分类问题是计算机视觉领域的一个重要问题，也是目前非常具有挑战性的热点问题。该问题的目标是当新类仅存在少量训练样本时，可以提高模型的泛化能力和图像分类的准确率。

目前大多数小样本学习(few shot learning)方法主要集中在图像分类的问题上，它们的方法大多是将支持集样本映射到一个特定的隐空间，再将测试样本与已知样本进行度量来预测测试样本的标签；或者利用对抗生成网络为支持集生成更多的样本，以提高分类器的性能。这两种方法都有各自的优点，但是这样的方法仅仅关注类间或者类内的样本分布，没有同时利用类间与类内的样本分布情况，所以不能取得较为满意的效果。

发明内容

有鉴于此，本申请提供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、方法、设备及存储介质，以解决现有技术中无法同时利用样本类内与类间分布情况的不足。本申请将利用原型网络捕获样本类间的依赖关系，使用自编码器捕获类内样本的差异信息，本申请首先利用原型网络学习样本类间的依赖关系，然后利用自编码器学习类内样本间的差异信息，最后计算新类测试样本的空间分布，并预测其样本标签。

本申请的技术方案是这样实现的：

方案一：一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，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。

进一步地：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。

进一步地：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。

方案二：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，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，计算出各基类样本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的类原型表征相似的样本，并将其与对应的类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。

进一步地，所述步骤一，具体步骤为：