[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

说明书

本发明涉及小样本图像分类技术领域，具体涉及一种基于基类样本特征合成的小样本图像分类方法，本发明利用监督对比损失函数在基类数据集上对模型进行预训练得到特征提取器，提取基类和新类样本特并计算原型，对于每类新类原型，利用Cosine相似性计算其近邻基类原型，并在新类原型与其近邻基类原型之间线性合成若干新的样本特征。本发明在不考虑样本分布的情况下，就能实现少量支持样本特征的增强，从而提高小样本图像分类性能。本发明将基类视为多数类，采用过采样技术对新类中的样本进行扩充，能够解决基类与新类之间样本不平衡问题。

技术领域

本发明涉及小样本图像分类技术领域，具体涉及一种基于基类样本特征合成的小样本图像分类方法。

背景技术

图像分类是机器学习和计算机视觉领域中的一项非常重要的基础性课题，在诸如目标检测、行人重识别、目标跟踪等众多前沿研究领域中起着至关重要的作用。近年来，伴随着大量标签图像数据的出现，该领域利用深度学习技术取得突破性进展。但是只从少量图像数据中就快速形成并理解一个新的概念，对于深度神经网络来说仍然是一个非常巨大的挑战。小样本学习旨在标注数据非常少的情况下完成相关学习任务，是解决上述问题的主要方法。而在图像分类任务中，小样本学习技术利用少量的训练样本完成图像的分类决策。

小样本图像分类任务中存在的根本问题在于每类样本数量太少从而导致无法精确地刻画每类样本的分布。因而，在原图像空间对图像样本集进行扩充或者在特征空间进行增强是解决该问题的有效方式。目前，已经出现了若干基于数据增强的小样本图像分类方法。例如Chen等(Chen Z T,FuYW,Chen KY,Jiang Y G.Image block augmentation forone-shot learning.[C]//Proceedings of the 34th AAAI Conference on ArtificialIntelligence,Hawaii,USA,2019:3379-3386.)通过将相似的无标签图像中某些小块代替新类支持图像样本中某些小块的拼图技术实现图像样本的扩充；Zhang等(Zhang H,ZhangJ,Koniusz P.Few-shot learning via saliency-guided hallucination of samples[C]//Proceedings of the IEEE Conference on Computer Vision andPatternRecognition.2019:2770-2779)利用显著性目标检测算法，将图像分割成前景与背景，再将不同图片的前景和背景进行拼合，组成更多的合成图像，以此实现数据集的扩充；除此之外，在特征空间进行数据增强是对每类样本的类间变化进行建模的有效手段。例如，Hariharan等(Hariharan B,Girshick,R..Low-shot visual recognition by shrinkingand hallucinating features[C]/Proceedings ofthe IEEE International Conferenceon ComputerVision,Venice,Italy,2017:3018-3027.)利用自动编码器对同类别不同样本之间的变化建立模型，然后借助于这种变化信息为新类中的样本生成新样本来实现图像集的扩充。另外，通过生成器与判别器互相博弈隐含地对学习数据分布的生产式对抗网络同样也是实现小样本特征增强的有效方式。例如，Li等(Li K,Zhang Y,Li K，Fu Y,Adversarial feature hallucination networks for few-shot learning[C]//Proceedings ofthe 33rd IEEE Conference on Computer Vision and PatternRecognition.Piscataway,NJ,USA:IEEE Press,2020:2020:13467-13476.)使用更稳定的Wasserstein GAN和两个新颖的正则化项来同时保证所生成的小样本数据特征的判别性和多样性。