[发明专利]一种多任务联合集成的小样本图像分类方法

权利要求书

1.一种多任务联合集成的小样本图像分类方法，其特征在于，包括：

将待分类支撑集进行数据增广得到多组增广支撑集；

将多组增广支撑集和待分类查询集输入预先训练得到的多任务联合集成网络，得到多组支撑集特征和查询集特征；

利用多组支撑集特征计算类别中心，计算查询集特征与每组类别中心的欧式距离，得到多组相似性分数；

采用非极大值抑制的方式处理相似性分数，并使用预先设定的融合方式集成所有相似性分数，得到最终的输出结果。

2.根据权利要求1所述的一种多任务联合集成的小样本图像分类方法，其特征在于，

训练获得多任务联合集成网络，包括：

获取支撑集和查询集；

对支撑集进行数据增广，得到多组支撑集；

基于增广后的支撑集和查询集，利用预设的小样本图像分类任务损失函数计算获得预先构建的多任务联合集成网络的小样本图像分类任务损失值；

基于支撑集，利用预设的自监督任务损失函数计算获得预先构建的多任务联合集成网络的自监督任务损失值；

基于小样本图像分类任务损失值和自监督任务损失值，构建联合损失函数并采用梯度更新的方式迭代更新多任务联合集成网络；

满足预设的迭代次数，获得最终的多任务联合集成网络。

3.根据权利要求2所述的一种多任务联合集成的小样本图像分类方法，其特征在于，

联合损失函数为：

L_MT＝L_c+β*L_t，

式中，L_MT表示联合损失值；L_c表示小样本图像分类任务损失值；L_t表示自监督任务损失值；β表示L_c和L_t之间的权重。

4.根据权利要求2所述的一种多任务联合集成的小样本图像分类方法，其特征在于，

预设的小样本图像分类任务损失函数为：

式中，r_n表示查询集的查询样本与第n个分类任务的类别融合后的相似性分数；代表查询集的查询样本是否属于第n个分类任务的类别；N表示分类任务的类别总数。

5.根据权利要求4所述的一种多任务联合集成的小样本图像分类方法，其特征在于，r_n通过下式计算得到：

式中，M表示增广后其中一组支撑集的支撑样本数量；d(.)表示欧氏距离；f_φ(.)表示多任务联合集成网络；表示查询集特征；P_m,n表示第m组支撑集中第n个类别中心特征，P_m,n′表示第m组支撑集中第n′个类别中心特征，n和n′均属于[1,M]。

6.根据权利要求5所述的一种多任务联合集成的小样本图像分类方法，其特征在于，P_m,n通过下式计算得到：

式中，K表示类别个数，f_φ(x_i)表示支撑集特征，x_i表示支撑集中的第i个支撑样本；S_m,n表示支撑集S_m中第n个类别的所有支撑样本。

7.根据权利要求2所述的一种多任务联合集成的小样本图像分类方法，其特征在于，

预设的自监督任务损失函数为：

L_t＝L_CE(σ(f_φ(x),w),y′_ssl)，

式中，L_CE表示交叉熵损失，x表示支撑集的支撑样本；y′_ssl表示自监督标签，表示x的增广方式；σ(.)表示自监督分类器；w表示自监督分类器的权重。

8.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现权利要求1至7中任一项所述方法的步骤。

9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1至7中任一项所述方法的步骤。