[发明专利]一种基于神经网络的小样本特征提取方法及相关设备

权利要求书

1.一种基于神经网络的小样本特征提取方法，其特征在于，包括下述步骤：

从包括有预设数量类别的训练集中获取预测集与支撑集，所述支撑集包括从每个类别中抽取K个有标注的支撑样本，其中，K为正整数；

将所述预测集中的预测样本与所述支撑集中的支撑样本输入特征识别模型中的嵌入模型进行训练，得到预测特征图以及包括K个有标注的支撑样本的多组所述待融合支撑特征图像，并对所述待融合支撑特征图像均值化，得到多组支撑特征图像；

将所述预测特征图像与多组所述支撑特征图像输入所述特征识别模型中的关联模型进行关联，预测所述预测特征图像与每组所述支撑特征图像之间的关联系数，其中，所述关联系数表征所述预测样本与所述预设数量类别的相似度；

基于所述关联系数进行损失计算，根据计算得到的模型参数对所述特征识别模型进行迭代更新，得到目标特征识别模型；

获取待识别数据输入所述目标特征识别模型，计算所述待识别数据与所述预设数量类别中样本的目标相似度，根据所述目标相似度判断所述待识别数据的类别。

2.根据权利要求1所述的一种基于神经网络的小样本特征提取方法，其特征在于，所述从包括有预设数量类别的训练集中获取预测集与支撑集的步骤包括：

将所述训练集中的预设数量类别进行随机排序；

从所述预设数量类别的每个类别中抽取K个有标注的样本作为所述特征识别模型的所述支撑集；

从所述预设数量类别的剩余样本中抽取J个样本作为所述特征识别模型的所述预测集，其中，J为正整数。

3.根据权利要求1所述的一种基于神经网络的小样本特征提取方法，其特征在于，所述嵌入模型包括第一卷积层、第二卷积层、第三卷积层、第四卷积层、第一最大池化层以及第二最大池化层，所述将所述预测集中的预测样本与所述支撑集中的支撑样本输入特征识别模型中的嵌入模型进行训练，得到预测特征图以及包括K个有标注的支撑样本的多组所述待融合支撑特征图像，并对所述待融合支撑特征图像均值化，得到多组支撑特征图像的步骤具体包括：

将所述预测集与所述支撑集输入所述嵌入模型，依次通过所述第一卷积层、第一最大池化层、第二卷积层、第二最大池化层、第三卷积层以及第四卷积层对所述预测集与所述支撑集中的样本进行特征提取，输出所述预测特征图像与多组所述待融入支撑特征图像；

对每组包括K个有标注的样本的所述待融合支撑特征图像进行均值化处理，得到多组所述支撑特征图像，所述支撑特征图像的组数与所述预设数量类别一致。

4.根据权利要求1所述的一种基于神经网络的小样本特征提取方法，其特征在于，所述关联模型包括第五卷积层、第六卷积层、第三最大池化层、第四最大池化层、第一全连接层以及第二全连接层，所述将所述预测特征图像与多组所述支撑特征图像输入所述特征识别模型中的关联模型进行关联，预测所述预测特征图像与每组所述支撑特征图像之间的关联系数的步骤具体包括：

将所述预测特征图像与多组所述支撑特征图像进行图像特征拼接后输入所述关联模型，依次通过所述第五卷积层、第三最大池化层、第六卷积层、第四最大池化层以及全连接层对所述预测特征图像与多组所述支撑特征图像进行特征关联及回归处理，输出C个所述关联系数，所述关联系数计算公式为：

r_i，j＝G(H(F(x_i)，F(x_j)))，i＝1，2...C

其中，H为所述预测特征图像与每组所述支撑特征图像的拼接操作，F(Xi)为所述待融合支撑特征图像，F(Xj)为预测特征图像，r_i,j为所述预测特征图像F(Xj)与所述支撑特征图像F(Xi)中类别i的所述关联系数，i表示C个类别中的其中一个。