[发明专利]一种引入噪声信息和构建相似度空间的小样本识别方法

说明书

本发明涉及一种引入噪声信息和构建相似度空间的小样本识别方法，属于数字图像处理领域。该方法包含如下步骤：预训练阶段：噪声干扰阶段；生成新的支撑集；构建相似度空间阶段：分别计算基础数据集中每个类的特征中心支持集和查询集中每个类的特征中心间的相似性。该相似度用于替换原始支持集和查询集的特征，在相似度空间中形成新的特征表示；分类阶段：通过全连接层融合前两阶段结果，然后用余弦相似度进行分类得出结果。本发明在传统图像特征的基础上引入噪声信息，并构建相似空间，应用在小样本图像识别任务中可以更好的增加图像类别之间的差异性。同时，与其他方法相比，我们的方法拥有更小的计算量，更快的计算速度。

技术领域

本发明属于数字图像处理领域，涉及一种引入噪声信息和构建相似度空间的小样本识别方法。

背景技术

深度学习是一种数据驱动的学习范式，在图像分类等视觉识别任务中取得了最先进的性能。然而，深度学习是使用大量数据进行训练的。在许多实际应用中，很难获得大的标记数据。这激发了人们对少样本学习的兴趣。

越来越多的方法被提出用于少样本头学习这些方法大多基于李文斌等人提出的三种方法，即基于度量、基于元学习和基于预训练的方法。近年来，元学习已成为一种流行的少样本习框架。它包括对分类器进行预训练，以学习传递到支持集和查询集的特征表示。随后，该模型被转移到基于小样本量学习新类。在元学习的框架下，直接对模型进行优化，以确保其在多个识别任务中有效执行。但是由于缺乏标记数据，传统的深度学习方法很难获得准确的指标特征空间的区域会受到干扰。标记数据越少，网络的抗干扰能力越弱

发明内容

有鉴于此，本发明的目的在于提供一种引入噪声信息和构建相似度空间的小样本识别方法。

为达到上述目的，本发明提供如下技术方案：

一种引入噪声信息和构建相似度空间的小样本识别方法，该方法包括以下步骤：

S1：预训练阶段：利用传统的骨干网络，训练特征分类器，并迁移至小样本识别任务；

S2：噪声干扰阶段：把支撑集与查询集的特征向量融合；生成新的支撑集；

S3：构建相似度空间阶段：分别计算基础数据集中每个类的特征中心支持集和查询集中每个类的特征中心间的相似性；该相似度用于替换原始支持集和查询集的特征，在相似度空间中形成新的特征表示；

S4：判别结果整合阶段：通过全连接层融合前两阶段结果，然后用余弦相似度进行分类得出结果。

可选的，所述步骤S1包括以下步骤：

S11：使用传统ResNet12作为骨干网络，训练特征提取器；

S12：去掉最后一层全连接网络，迁移至小样本任务。

可选的，所述步骤S2包括以下步骤：

S21：计算支撑集中各个类别的特征中心点，作为该类别的特征；

S22：将查询集的特征与支撑集中各个类别的特征中心进行融合，形成新的支撑集；

S23：新生成的支撑集与查询集图像进行余弦相似度计算，结果使用softmax进行分类。

可选的，所述步骤S3包括以下步骤：

S31：计算基础数据集中每个类的特征中心支持集和查询集中每个类的特征中心间的相似性；

S32：该相似度用于替换原始支持集和查询集的特征，在相似度空间中形成新的支撑集与查询集。

S33：新生成的支撑集与查询集图像进行余弦相似度计算，结果使用softmax进行分类；

可选的，所述步骤S4包括以下步骤：