[发明专利]一种关系网络小样本图像分类方法、系统、装置及介质

权利要求书

1.一种关系网络小样本图像分类方法，其特征在于，包括以下步骤：

划分数据集，在每个训练批次中，将数据集划分为训练集和测试集，训练集的样本标注有样本标签；

采用嵌入模块提取数据集中图像的图片特征表示；

由于嵌入模块提取的图片特征表示是任务无关型，利用自注意力模块学习任务间的上下文信息，将任务无关的图片特征表示转化为任务相关的图片特征表示；

根据任务相关的图片特征表示，以基于原学习的关系网络度量方式训练神经网络，采用训练后的神经网络进行图像分类。

2.根据权利要求1所述的一种关系网络小样本图像分类方法，其特征在于，所述划分数据集，在每个训练批次中，将数据集划分为训练集和测试集，包括：

每一个批次对应一个任务，每个批次将数据集划分为训练集和测试集，将训练集中的支持集输入嵌入模块获取图片特征表示，训练集中的查询集带有标签，负责衡量与支持集中样本的距离；

训练集中的支持集和查询集负责不断更新网络模型的参数。

3.根据权利要求2所述的一种关系网络小样本图像分类方法，其特征在于，所述嵌入模块采用残差网络来实现，所述残差网络包含4个依次连接基础模块，每个基础模块包含三个卷积小模块，在每个基础模块的输出端附加一个2×2最大池化层，在最后一个最大池化层的输出端附加一个2×2平均池化层；

将支持集D_support和查询集D_query中的图像数据输入嵌入模块f_θ中，获得相应的图片特征表示R^p，其中p＝c×h×w，c、h和w分别相应地表示特征表示的通道数、高度和宽度。

4.根据权利要求3所述的一种关系网络小样本图像分类方法，其特征在于，还包括多分类学习的步骤：

定义n表示类别，z代表该类别中的一张图片；

计算每个类别的特征表示中心点，即将同一类图片特征表示相加起来取平均，表示为：

如果每个类别只有一个样本，将该样本的图片特征表示充当类中心特征表示；

定义每个批次的类向量C＝[c₁，c₂，c₃，...，c_N](C∈R^N×c×h×w)，将类向量C输入自注意力模块f_β之前，先改变类向量C的形状，即C∈R^N×l×d，其中，d是隐藏层的一个超参数，N是类别数量。

5.根据权利要求1所述的一种关系网络小样本图像分类方法，其特征在于，所述利用自注意力模块学习任务间的上下文信息，将任务无关的图片特征表示转化为任务相关的图片特征表示，包括：

将嵌入模块输出的图片特征表示与三个预设的待训练矩阵相乘，获得查询向量d_q、键向量d_k和值向量d_v；

根据查询向量d_q和键向量d_k获取注意得分矩阵M_H，将值向量d_v乘以注意得分矩阵M_H后，执行softmax操作，获得更具区分性的任务相关的图片特征表示C′。

6.根据权利要求5所述的一种关系网络小样本图像分类方法，其特征在于，为加快计算速度，采用矩阵形式代替向量形式进行计算，将向量形式转换为矩阵形式的公式为：

式中，Q表示查询矩阵，K表示键矩阵，V表示值矩阵，C表示支持集嵌入，W^Q表示查询线性映射矩阵，W^K表示键线性映射矩阵，W^V表示值线性映射矩阵，表示输入输出维度，输入维度为d，输出维度为d_model，d_model是隐藏层的维数；

任务相关的图片特征表示C′的定义公式为：

式中，K^T表示键矩阵的转置。