[发明专利]一种基于选择性特征迁移的小样本学习网络

权利要求书

1.一种基于选择性特征迁移的小样本学习网络，其特征在于，包括元学习模块、ResNet模块、选择性对抗迁移网络模块和自注意力模块；

元学习模块包括元训练阶段和元测试阶段，元训练阶段通过在与目标任务相近的任务上学习，训练得到能够作为目标任务初始化起点的预训练模型；元测试阶段是在预训练模型上训练目标任务；

ResNet模块采用了层级之间的恒等映射，通过残差学习的方式进行训练；

选择性对抗迁移网络模块由一个生成器网络和若干个判别器网络组成；生成器网络生成的数据通过一个classifier层得到关于每个判别器网络的权重向量，根据权重向量加权，再传递给后续的判别器网络，每个判别器网络判别收到的数据；数据分布相近的类别所对应的判别器网络的权重会更大，所以特征的迁移由对应的判别器网络进行，避免了负迁移的现象，实现了提升特征迁移的效果；

自注意力模块能够对同一类别的样本点进行均值的计算，求出类别的原型向量，再通过每个样本与原型向量的欧几里得距离求得每个样本的权重，从而辅助整个小样本学习网络的训练。

2.根据权利要求1所述一种基于选择性特征迁移的小样本学习网络，其特征在于，元训练阶段中收集数据得到数据集，将数据集按类别随机划分为源域和目标域数据；在一轮训练中，首先将源域数据划分为N个类别，每个类别中有K个数据，输入进初始化的小样本学习网络，进行训练；得到的特征向量再和目标域数据一同输入选择性对抗迁移网络模块进行对抗训练，源域的数据经过生成器后通过分类，得到不同判别器的权重，再由判别器对源域和目标域的数据进行区分，计算出的损失通过反向传播的方式，更新整个小样本学习网络；在元测试阶段，将目标任务的数据输入进已经预训练好的预训练模型，得到小样本学习网络的预测分类结果。