[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

说明书

本发明涉及计算机视觉领域，尤其涉及一种基于双路结构对比嵌入学习的小样本对象分类方法，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；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所有类别的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。本发明方法简便、灵活，可以提高特征嵌入学习网络的泛化能力，从而提高模型的训练速度并改善全新类对象的分类性能。

技术领域

本发明涉及计算机视觉领域，尤其涉及一种基于双路结构对比嵌入学习的小样本对象分类方法。

背景技术

近年来，深度神经网络技术在多种计算机视觉任务中取得了显著的进展，其成功因素之一在于使用了大规模的有标签数据集。然而，在许多实际场景中，我们通常只有少量的有标签数据，比如医疗图像处理、工业制造等，当直接使用深度神经网络求解以上实际问题时，会导致严重的过拟合以及模型偏置现象，从而引起性能出现灾难性下降。与之相比，即使是学龄前的小朋友，也能在只看到少量几张图片的情况下，快速地学习、并理解新的对象概念。为了缩减智能机器与人类学习之间的能力差距，针对小样本数据情境下的机器学习方法研究正逐步引起越来越多研究人员的注意。

与经典的有监督学习范式相比，小样本学习旨在探索如何从具有大量有标签数据的基础类别中学习出具有迁移能力的先验知识，并将该知识快速泛化到只有少量有标签数据的全新类别上，以提升全新类别的分类性能。从泛化的策略来说，当前小样本学习方法主要分为三类求解策略：（1）基于参数优化的方法：旨在从基础类上学习出可泛化的模型参数，当将这些参数应用于全新类的学习时，其可在几个迭代步骤内达到最优效果。（2）基于分类器优化的方法：基于基础类上预训练的特征嵌入，针对不同的全新类别，动态地学习自适应的分类器；（3）基于特征嵌入优化的方法：旨在从基础类上学习出可泛化的特征嵌入，使得当应用于全新类分类时，最简单的最近邻分类器时也能获得出色的分类性能。

在以上三种策略中，大量方法采用元学习的思想，通过使用情景训练策略，从基础类数据中构造出一系列的小样本学习任务，以模仿真实的测试场景，并使用这些任务逐步优化元学习器，使得模型具备学会学习（learn to learn）的能力，从而提升在新类别上的泛化性能。这类方法通常需要较长的训练时间及较多的计算资源。与此同时，大量其他工作采用迁移学习的思想，将从基础类中学习到的特征嵌入方法直接应用于到全新类的学习中，实验证明，这种简单的迁移学习方法也能获得与元学习方法同等甚至更好的分类性能。综上，如何在只使用基础类数据的情况下，学习出具有高效泛化能力的特征嵌入空间是求解小样本对象分类的有效策略之一。

发明内容

为了解决现有技术中存在的上述技术问题，本发明提出了一种基于双路结构对比嵌入学习的小样本对象分类方法，该方法通过使用具有大规模有标签训练数据的基础类，学习具有泛化能力的特征嵌入网络，从而使得在只有少量有标签训练数据的情况下，也能快速识别以往从未见过的全新的对象类别，具体的技术方案如下：

一种基于双路结构对比嵌入学习的小样本对象分类方法，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；

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。

进一步的，所述步骤一，具体包括以下子步骤：