[发明专利]基于自动搜索度量函数的文物图像小样本分类算法

权利要求书

1.一种基于自动搜索度量函数的文物图像小样本分类算法，其特征在于，包括基于多尺度特征提取的卷积嵌入模块和基于自动机器学习的度量函数搜索模块；

所述基于多尺度特征提取的卷积嵌入模块由多个卷积块组成，其中每个卷积块包括一个卷积层、一个批处理归一化层和一个Leaky ReLU层；此外，在每两个卷积块之间加入一个额外的2×2max-pooling层；首先，对卷积嵌入模块进行预训练，使其具有一定的特征提取能力；然后，将文物图像数据集划分为多个小样本任务数据集，每个小样本任务数据集包括一个支持集和一个查询集：支持集包括5个文物类别，每个类别包括1个或5个文物图像；查询集包括支持集中的5个文物类别，每个类别15个的文物图像，并且与支持集中的文物图像不重复；将支持集和查询集中的文物图像输入卷积嵌入模块，并从每个max-pooling层后提取出文物图像对应尺度的特征；浅层网络输出较大尺度的图像特征，其中包含了低级的视觉信息；深层网络输出较小尺度的图像特征，其中包含了高级的语义信息；

所述基于自动机器学习的度量函数搜索模块针对当前小样本任务搜索最适合的度量函数，来提高模型的分类性能：

首先，基于度量函数的结构特点，通过寻找两部分来构建合适的度量函数：归一化操作和距离度量操作；

然后根据待搜索内容，设计一个度量函数搜索空间，针对文物图像每个尺度的特征搜索一个标准化操作和一个距离度量操作组成该尺度特征的度量函数，并将不同尺度特征对应的度量函数赋予权重，加权组成总的度量函数。

2.根据权利要求1所述基于自动搜索度量函数的文物图像小样本分类算法，其特征在于，所述归一化操作是对样本的特征进行平移和缩放，对特征的分布进行归一化，以消除特征之间的尺度差异的影响，从而适应不同的距离度量操作；归一化操作的公式如下：

其中，表示需要归一化的特征，μ,σ表示移位参数和缩放参数；归一化搜索层由四个候选操作组成：不归一化、通道归一化、全局归一化和单独归一化。

3.根据权利要求1所述基于自动搜索度量函数的文物图像小样本分类算法，其特征在于，所述距离度量操作根据支持集样本和查询集样本的特征计算出它们之间的距离；选择了四个优秀的度量函数放入距离度量搜索层中：内积、欧氏距离、曼哈顿距离和马氏距离；内积是将两个特征矩阵展平，将其相应的元素相乘，然后相加的结果，具体公式如下：

其中，x,y均为n维向量；欧氏距离可以解释为连接两点的线段长度，具体公式如下：

其中，x,y均为n维向量；当数据维度较低时，欧氏距离的距离度量效果较好；曼哈顿距离表示标准坐标系上两个向量的绝对轴距之和，具体公式如下：

其中，x,y均为n维向量；曼哈顿距离对数据中的异常值很敏感，不同维度的数值差异对结果影响相同；马氏距离代表数据的协方差距离，具体公式如下：

其中x为特征矩阵，S为与y分布相同的协方差矩阵。

4.根据权利要求1所述基于自动搜索度量函数的文物图像小样本分类算法，其特征在于，在搜索度量函数阶段，使用双层优化策略来训练网络，优化过程使用梯度下降法进行优化。