[发明专利]一种基于改进型度量学习的少样本图像分类方法

摘要

本发明公开了一种基于改进型度量学习的少样本图像分类方法，将数据集按比例分割为训练集、验证集、测试集，按照少样本任务集制作原则依次选取支持集和目标集两部分；然后，提取、组合目标集与支持集图片的多尺度特征，将支持集与目标集图片的多尺度特征拉直后做拼接；最后，将得到的新特征向量进行度量学习，从而得到分类结果。

主权项

1.一种基于改进型度量学习的少样本图像分类方法，其特征在于，包括以下步骤：(1)、少样本数据集预处理获取少样本数据集，设少样本数据集中共有N个类别的样本图片，每个类别包含K张样本图片；将少样本数据集划分为三个不相交的子集，分别记为训练集D_train、验证集D_val和测试集D_test；(2)、按照“N‑way k‑shot”原则制作少样本任务集(2.1)、获取支持集D_support和目标集D_target随机从训练集D_train中选取n个类别的样本图片，每个类别选取k张，将这n×k张样本图片作为支持集D_support；再从每个类别中剩余的样本图片中选取b张，将这n×b张样本图片作为支持集D_support，其中，n＜N,k＜K，b≤K‑k；然后将支持集D_support和目标集D_target采取{0°,90°,180°,270°}四种随机旋转数据增强方式进行数据增强；(2.2)、在验证集D_val中，按照步骤(2.1)所述方法，获取支持集和目标集(3)、搭建基于卷积神经网络的多尺度特征提取器去掉卷积神经网络的全连接层，按照“卷积层‑池化层‑卷积层‑池化层‑卷积层‑卷积层”搭建基于卷积神经网络的多尺度特征提取器；(4)、多尺度特征提取(4.1)、提取支持集的多尺度特征将支持集D_support输入至多尺度特征提取器器，在提取过程中，将多尺度特征提取器的第四个卷积层提取到的高层次特征和第三个卷积层提取到的中层次特征进行平均池化，得到这两个卷积层的输出特征，记为F₃和F₄；将支持集的输出特征F₃和F₄按深度方向合并，得到支持集的n×k个多尺度特征F_support；(4.2)、提取目标集的多尺度特征将目标集D_target输入至多尺度特征提取器，在提取过程中，将多尺度特征提取器的第四个卷积层提取到的高层次特征和第三个卷积层提取到的中层次特征进行平均池化，得到这两个卷积层的输出特征，记为和将目标集的输出特征和按深度方向合并，得到目标集的n×b个多尺度特征F_target；(5)、多尺度特征拼接(5.1)、将支持集的多尺度特征F_support拉直为一维长向量，再对每个类别求均值，得到n个多尺度特征(5.2)、将目标集的多尺度特征F_target拉直为一维长向量，得到n×b个多尺度特征(5.3)、从和中分别选择一个多尺度特征，按两特征间的元素相减后取绝对值的方式进行拼接；(5.4)、按上述步骤拼接完成后共计得到n²×b个拼接特征；(6)、搭建基于全连接神经网络的改进型度量学习器搭建三层全连接神经网络的改进型度量学习器，改进型度量学习器的前两层引入Relu非线性激活函数，第三三层引用Sigmiod非线性激活函数，三层输出分类结果；(7)、训练基于改进型度量学习器的少样本分类器(7.1)、设少样本分类器的分类正确率阈值为H％；(7.2)、训练少样本分类器：少样本分类器以交叉熵损失函数作为优化目标；在前向传播过程中，将步骤(5)得到的拼接特征输入至改进型度量学习器，输出分类结果，然后利用分类结果计算出交叉熵损失；在后向传播过程中，通过Adam优化算法计算出交叉熵损失函数的参数梯度，再根据参数梯度更新少样本分类器的参数；然后返回步骤(2)，按照上述方法进行下一轮训练，总共训练T轮；(7.2)、验证少样本分类器：当T轮训练结束后，在验证集上，按步骤(2)所述方法制作支持集和目标集再将支持集和目标集进行多尺度特征提取及拼接，得到拼接特征；将拼接特征输入至少样本分类器，输出分类结果及对应的分类正确率，分类正确率与分类正确率阈值H％比较，如果分类正确率大于或等于分类正确率阈值，则本轮验证的分类正确率通过，得到训练好的少样本分类器，否则，返回步骤(2)，进行下一轮训练；(8)、利用训练好的少样本分类器对待测试的少样本图像进行分类(8.1)、在测试集D_test中，按照步骤(2.1)所述方法，获取支持集D′_support和目标集D′_target；(8.2)、将支持集D′_support和目标集D′_target进行多尺度特征提取及拼接，得到拼接特征；(8.3)、将拼接特征输入至训练好的少样本分类器，得到少样本图像分类结果。