[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

说明书

本发明公开了一种基于自动搜索度量函数的文物图像小样本分类算法，通过设计基于多尺度特征提取的卷积嵌入模块提取文物图像不同尺度的特征，然后进一步设计了基于自动机器学习的度量函数搜索模块搜索最适合当前任务的度量函数，并使用两层优化的方法优化搜索过程，优化过程使用梯度下降法进行优化。在miniImagenet数据集上进行实验，实验结果表明，相较于其他文物图像的小样本分类算法，本发明方法搜索到的度量函数构成的网络模型取得了最佳的结果，有效地提高了网络的分类性能。本发明方法根据不同的文物图像小样本分类任务搜索到最合适的度量函数，从而更好地实现类内样本距离更近，类间样本距离更远的目的，提高了网络模型的分类准确度。

技术领域

本发明涉及计算机视觉中的文物图像分类领域，更具体地，涉及到一种基于自动搜索度量函数的文物图像小样本分类方法。

背景技术

近几年，深度神经网络在文物图像分类任务中取得了突破性的进展。但是，由于参数众多，传统的深度学习文物图像分类方法通常需要大量有标签的样本图像进行训练和测试。然而，由于现实环境的限制，许多种类的文物图像往往只能获得一个或者几个图像样本，获取大量有标注标签的文物图像是难以实现的。这些原因大大削弱了深度学习文物图像分类方法的鲁棒性。因此，文物图像小样本分类应运而生。

小样本图像分类是一种从极少样本中提取抽象出新的概念的学习机制，是专门应对样本数量不足时传统深度学习方法无法处理的问题的。小样本学习意味着实现了真正超强的学习和泛化能力，在样本数量不足的情况下也可以实现举一反三，为深度学习领域和人工智能领域开拓了一片新的天地。文物图像小样本分类算法可以很好地解决因文物图像不足导致传统深度学习模型鲁棒性差的问题。

传统的文物图像分类算法在文物图像样本较少时训练不够充分，鲁棒性差。现有的文物图像小样本分类算法虽然能一定程度上缓解这一问题，但是模型使用固定的度量函数，难以满足不同文物图像分类任务的需求，对于不同的文物图像分类任务适用性差。

发明内容

为了解决现有技术的问题，本发明提供一种基于自动搜索度量函数的文物图像小样本分类算法，解决现有文物图像小样本分类方法使用固定的度量函数，无法满足不同文物图像分类任务的需求问题。

本发明提出如下技术方案：

一种基于自动搜索度量函数的文物图像小样本分类算法，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。