[发明专利]基于特征分布迁移的小样本图像特征学习方法及装置

权利要求书

1.一种基于特征分布迁移的小样本图像特征学习方法，其特征在于，包括以下步骤：

S1、对数据进行预处理，其中数据包括训练集和测试集；

S2，利用基类数据预训练嵌入模块f_θ，得到特征空间；

S3，将D_train输入到嵌入模块f_θ，得到样本特征图，将其输入到分布学习模块g_φ中，最小化损失函数，优化分布学习模块g_φ；

S4，将新类数据分为支持集和查询集将支持集经过嵌入模块f_θ和分布学习模块g_φ计算每类的分布原型和

S5，计算基类数据中各类的类别概率，选取最大的前n个类别，将n个类别的分布与当前类别的分布合并，得到矫正后每类的分布原型和步骤S5具体为：

S51，计算基类样本数据中各个类的类别概率，公式如下：

式中，表示为基类样本数据中类别C的均值与方差服从高斯分布，表示为支持集中的第C类的均值，S_d表示为将支持集第C类的分布作为输入，与基类样本数据中的第C类的分布相比较的距离集；

S52，选取最大的前n个类别，将n个类别的分布与当前类别的分布合并，公式如下：

式中，topn(·)表示为一个从输入距离集S_d中选择顶部元素的操作符，S_N用以存储关于特征向量最近的n个最近的基类样本数据；

S53，将合并后的类输入公式(6)和(7)，得到矫正后的每个类的分布原型和

式(6)中，S_c表示为支持集中的第C类，x_i表示为支持集中的第C类中的样本，表示为样本x_i的均值，μ_c表示为第C类的均值即第C个类的分布，式(6)整体表示为求第C类的加权调和平均数，以表示在模型中不同类的分布原型的位置，用以收紧类内关系和满足识别差距；

式(7)的目的是求类别C的方差，用以在足够的类别信息下消除单个数据的类无关表示，减少整体类别信息的幅度变化；

S6，计算新类查询样本的预测概率。

2.根据权利要求1所述的基于特征分布迁移的小样本图像特征学习方法，其特征在于，步骤S1的预处理方法为：

S11，将数据分为和两部分，且这两部分的类别空间互斥，将D_train用以在训练过程中调整参数，D_test作为新类数据测评模型性能；

S12，对于C-way K-shot分类任务，从D_train中随机选出C个类别，每个类别中随机选出M个样本，其中K个样本作为支持样本S_i，其余M-K个样本作为查询样本Q_i，S_i和Q_i构成一个任务T_i；同样地，对于D_test有任务

3.根据权利要求1所述的基于特征分布迁移的小样本图像特征学习方法，其特征在于，步骤S2中使用包含四个卷积块的嵌入模块f_θ对图像提取特征，其中含有卷积层、池化层和非线性激活函数，每个卷积块使用窗口大小为3*3的卷积核，一个批量归一化，一个RELU非线性层，一个2×2最大池化层，裁剪了最后两个块的最大池化层。

4.根据权利要求1所述的基于特征分布迁移的小样本图像特征学习方法，其特征在于，步骤S3中分布学习模块g_φ由两个全连接层组成，用以提取图像特征的分布表示，得到类中每个样本的均值与方差。

5.根据权利要求1所述的基于特征分布迁移的小样本图像特征学习方法，其特征在于，步骤S3中最小化损失函数使用的是梯度下降算法，通过不断地调整权重ω和偏差b，使得损失函数的值变得越来越小。