[发明专利]一种基于关系网络的少样本分类方法及系统

说明书

本发明公开了一种基于关系网络的少样本分类方法及系统，该方法包括：引入强化学习，基于图像样本对A2‑RL模型进行训练，得到训练完成的A2‑RL模型；基于训练完成的A2‑RL模型对原始图像库的图像进行图像裁剪，得到裁剪后图像；基于预构建的关系网络对裁剪后图像进行分类，得到分类结果。该系统包括：强化学习模块、图像裁剪模块和分类模块。通过使用本发明，能够在少样本的情况下实现高精度的样本分类。本发明作为一种基于关系网络的少样本分类方法及系统，可广泛应用于图像处理领域。

技术领域

本发明涉及图像处理领域，尤其涉及一种基于关系网络的少样本分类方法及系统。

背景技术

少样本分类问题是数据稀疏问题，相较于深度学习来说，少样本分类是从少量样本数据中训练和测试，以学得一个良好的分类器。现有的深度学习网络结构对于少样本分类问题不能起到很好的泛化作用，应该考虑采取全新的网络构造样本。此外，目前的少样本分类方法采用复杂的推理机制或者复杂的网络体系结构，或者是对目标问题进行微调，样本分类精度低，现阶段缺乏简单、灵活、容易应用的一般性解决方案。

发明内容

为了解决上述技术问题，本发明的目的是提供一种基于关系网络的少样本分类方法及系统，在少样本的情况下实现高精度的样本分类。

本发明所采用的第一技术方案是：一种基于关系网络的少样本分类方法，包括以下步骤：

S1、引入强化学习，基于图像样本对A2-RL模型进行训练，得到训练完成的A2-RL模型；

S2、基于训练完成的A2-RL模型对原始图像库的图像进行图像裁剪，得到裁剪后图像；

S3、基于预构建的关系网络对裁剪后图像进行分类。

进一步，所述基于强化学习对A2-RL模型进行训练，得到训练完成的A2-RL模型这一步骤，其具体包括：

S11、初始化A2-RL模型的裁剪窗口和经验池；

S12、输入图像样本；

S13、A2-RL模型根据输入图像和裁剪窗口生成观测值；

S14、A2-RL模型根据观测值和经验池从预定义的动作空间获取相应的动作；

S15、执行该动作，生成美学奖励并调整裁剪窗口的形状和位置；

S16、循环步骤S12-S15直至循环次数达到最大步骤次数，生成最佳裁剪窗口，得到训练完成的A2-RL模型。

进一步，所述回报奖励的生成公式表示如下：

上式中，γ作为折扣因子，r_t是在步骤t时得到的美学奖励，i表示样本数，V(s_t；θ_v)是在状态s_t时的值输出，θ_v表示网络结构的参数，k的取值范围为[0，t_max]，t_max表示最大步骤次数。

进一步，所述关系网络包括嵌入模块和关系模块。

进一步，所述基于预构建的关系网络对裁剪后图像进行分类这一步骤之前还包括关系网络的训练步骤，其具体包括：

基于图像样本构建样本数据集、查询数据集；

将查询数据集中的样本与样本数据集中的样本通过嵌入模块生成训练特征映射；

将训练特征映射通过串联函数进行组合，得到深度特征映射级联；

将深度特征映射级联馈送到关系模块，生成训练关系评分；