[发明专利]一种基于双路结构对比嵌入学习的小样本对象分类方法

权利要求书

1.一种基于双路结构对比嵌入学习的小样本对象分类方法，其特征在于，包括以下步骤：

步骤一：使用基础类的大规模有标签数据构造双路结构对比嵌入网络，具体包括：

（1.1）使用基础类的大规模有标签数据学习出基于深度卷积网络的有监督分类器，作为教师路径；

（1.2）采用与教师路径相同的主干网络，作为学生路径的特征提取网络，并对该网络的参数进行随机初始化；

（1.3）从基础类的所有训练图片中随机抽取批量图片，并对其中的每张图片进行图片扩充，具体的：从基础类的所有训练图片中随机抽取张图片，并对其中的每张图片，又称为锚点图片，依次叠加裁剪、色彩抖动和随机灰度变化，将每张扩充成两张图片和；

（1.4）将扩充后的批量图片输入教师路径，得到相应的分类预测结果，并为每个类别计算该批量图片中的分类准确率，具体的：

将扩充后的批量图片输入教师路径，其中是图片相应的标签，是对应的真实标签，得到相应的结构相似度矩阵,

其中，表示基础类的所有类别数目，是归一化方程，是大于1的实数，是有监督分类器，

中的每一行由教师路径中的分类器得到，表示来自于类别c的概率值，并计算该批量图片的分类准确率；

（1.5）将扩充后的批量图片输入学生路径，计算任意两个输入图片之间的特征相似度，并采用步骤（1.4）得到的分类准确率对两者之间的相似度进行结构化加权约束，优化整个学生网络；

（1.6）重复步骤（1.3）到步骤（1.5），直到完成双路结构对比嵌入的学习；

步骤二：将全新类的少量有标签图片依次输入所述双路结构对比嵌入网络，提取相应的图片特征，计算每个类别中所有图片特征的均值作为该类别的原型；

步骤三：将测试图片输入双路结构对比嵌入网络提取图片特征，计算测试图片特征与步骤二中的所有类别原型之间的余弦相似度，并对余弦相似度进行归一化处理，选取具有相似度最大值的对象类别作为测试图片的最终预测结果。

2.如权利要求1所述的一种基于双路结构对比嵌入学习的小样本对象分类方法，其特征在于，所述步骤（1.5）具体为：

将扩充后的批量图片输入学生路径，计算任意两个输入图片之间的特征相似度，其中任意两张输入图片表示为和，通过学生路径得到的特征分别为和，并采用步骤（1.4）得到的分类准确率对两者之间的相似度进行结构化加权约束，优化整个学生路径的网络，所述学生路径的网络的优化损失表示为：

其中，表示中除了之外的所有其他数据的索引，是和之间的损失，是两者之间的相似度，和分别采用以下形式定义：

其中，表示归一化的特征向量，表示内积，是大于0小于1的实数值，表示与同源的图片集合；

通过最小化上述损失，来优化整个特征学习网络。