[发明专利]一种基于基类样本特征合成的小样本图像分类方法

权利要求书

1.一种基于基类样本特征合成的小样本图像分类方法，其特征在于，包括以下步骤：

步骤1：对于给定的数据集D，确定待处理的基类数据集D_base和新类数据集D_novel；其中表示基类数据集中第c个类别数据样本集合，x_m表示第m个基类图像样本，y_m表示其对应的标签，C_b表示基类数据集中的类别总数，N_c为第c个类别基类数据样本的数目；在D_novel上构建N-way-K-shot分类任务，每个分类任务由支持样本集和查询样本集组成，其中x_s表示第s个支持样本，y_s表示对应的标签，x_q表示第q个查询样本；

步骤2：从基类数据集D_base中随机抽取M个图像样本，使用图像增强技术将其扩充为2M个样本，然后将其输入到参数为α的编码器E(_α)和参数为β的投影器P(_β)中，得到由2M个数据特征组成的集合其中u_m表示第m个图像样本的特征，y_m为其对应的标签；假定集合中任意数据为锚点，并将其作为正例样本，将集合A(m)中与该锚点标签的所有样本视为正例样本，构建正例样本集合P(m)，而集合A(m)中的所有剩余样本为负例样本，构建负例样本集合N(m)；计算关于正例样本集合P(n)与负例样本集合N(n)之间的监督对比损失，计算该损失函数关于参数的梯度，并利用梯度下降算法对编码器E(_α)中参数α和投影器P(_β)中参数β进行优化；

步骤3：将步骤2中预训练好的编码器E(_α)作为特征提取器，对基类数据集中的所有样本提取特征，并计算每类样本的原型；假定基类数据集中所有类的原型集合为其中P_c为基类数据集中第c个类别的原型；

步骤4，将步骤2中预训练好的编码器E(_α)作为特征提取器，对新类数据集中的支持图像样本提取特征，并计算每类支持样本的原型特征；假设第n个类别的原型表示为P_n，利用cosine相似性计算其与基类原型数据集P_base的L个近邻，然后在P_n与其每个近邻基类原型之间线性合成产生新的样本特征；

步骤5：利用增广后的支持样本数据集对逻辑回归分类器进行训练；

步骤6：将步骤2中预训练好的编码器E(_α)作为特征提取器，对新类数据集中的查询图像样本提取特征，利用训练好的逻辑回归分类器进行测试。

2.根据权利要求1所述的一种基于基类样本特征合成的小样本图像分类方法，其特征在于，所述步骤1的具体步骤如下：

将训练集D_train作为基类数据集D_base，测试集D_test作为新类数据集D_novel，在D_novel数据集中随机抽取N个类别，每个类别中随机抽取K个样本，得到支持样本集其中x_s表示第s个支持样本，y_s表示对应的标签，再在N个类别中的剩余数据中抽取一批样本得到查询样本集其中x_q表示第q个查询样本。