[發(fā)明專利]一種基于深度學(xué)習(xí)的小樣本圖像識別方法

有效

• 申請?zhí)枺?/td>: 201910065984.4
• 申請日: 2019-01-24
• 公開（公告）號: CN109800811B
• 公開（公告）日: 2022-09-06
• 發(fā)明（設(shè)計）人: 李玲;劉婉瑩;劉丹;楊秀華;黃玉蘭;張海蓉;李志軍;佟宇琪;戴思達(dá);渠云龍;顧琳;李林;楊泰;梁楫坤
• 申請（專利權(quán)）人: 吉林大學(xué)
• 主分類號: G06V10/764
• 分類號: G06V10/764;G06V10/774;G06V10/82
• 代理公司: 長春吉大專利代理有限責(zé)任公司 22201
• 代理人: 王淑秋

1.一種基于深度學(xué)習(xí)的小樣本圖像識別方法，其特征在于包括下述步驟：

一、劃分訓(xùn)練集

將訓(xùn)練集中的樣本圖像隨機劃分到支持集S和查詢集Q,訓(xùn)練集中每個類別樣本圖像的數(shù)目不少于600個；其中支持集表示支持集S中包含了n個類別的樣本圖像，其中為支持集S中屬于類別k的樣本圖像的集合，是支持集S中屬于類別k的第m個樣本；查詢集同樣包含了n個類別的樣本圖像；其中，為查詢集Q中屬于類別k的樣本圖像的集合，是查詢集Q中屬于類別k的第1個樣本；

二.生成噪聲圖像

隨機生成噪聲圖像集合N，N中噪聲圖像數(shù)量是訓(xùn)練集圖像類別數(shù)，噪聲圖像形狀與訓(xùn)練集中圖像相同；

三、預(yù)訓(xùn)練原型空間判別網(wǎng)絡(luò)D_φ

1.將支持集S中各類別樣本圖像子集{S₁，S₂，...S_k...S_n},輸入原型空間判別網(wǎng)絡(luò)D_φ,得到支持集S各類別樣本圖像原型{c₁，c₂，...c_k...c_n}；

2.從查詢集Q中樣本圖像隨機選取M類樣本圖像，每類選取N個樣本圖像，組成每次訓(xùn)練用的查詢子集輸入原型空間判別網(wǎng)絡(luò)D_φ，得到其在原型空間內(nèi)的映射，其中代表查詢子集Q_NM中屬于類別k的圖像集合；

3.根據(jù)原型空間判別網(wǎng)絡(luò)D_φ的預(yù)訓(xùn)練損失函數(shù)公式，采用梯度下降算法，預(yù)訓(xùn)練原型空間判別網(wǎng)絡(luò)D_φ的網(wǎng)絡(luò)參數(shù)并更新原型空間判別網(wǎng)絡(luò)D_φ；

4.將步驟2，3重復(fù)不少于50次；

對于查詢集Q中屬于類別k的任意一張圖像原型空間判別網(wǎng)絡(luò)D_φ的預(yù)訓(xùn)練損失函數(shù)L(φ)′定義如下：

其中，的定義如下：

其中是查詢集Q中屬于類別k的圖像，為查詢集圖像在原型空間內(nèi)的映射；c_k是支持集S中屬于類別k的樣本圖像映射到原型空間內(nèi)的中心點，即類別k樣本圖像的原型；c_k′是支持集S中不屬于類別k的圖像映射到原型空間內(nèi)的中心點，即除了類別k樣本圖像以外的某一類別樣本圖像的原型；代表兩個張量c_k之間的歐幾里得距離；代表兩個張量c_k′之間的歐幾里得距離；

其中，S_k∈S,代表支持集S中屬于類別k的樣本圖像集合，x_i代表S_k中第i個樣本圖像的圖像矩陣，y_i代表S_k中第i個樣本圖像的所屬類別；D_φ(x_i)代表S_k中第i個樣本圖像在原型空間內(nèi)的映射；

其中，S_k′∈S,代表支持集S中不屬于類別k的樣本圖像集合，x_i’代表S_k′中第i個樣本圖像的圖像矩陣，y_i’代表S_k′中第i個樣本圖像的所屬類別；D_φ(x_i’)代表S_k′中第i個樣本圖像在原型空間內(nèi)的映射；

四、訓(xùn)練欺騙圖像生成網(wǎng)絡(luò)

將噪聲圖像集合N中的所有圖像輸入欺騙圖像生成網(wǎng)絡(luò)G_θ得到欺騙圖像集合F,F＝G_θ(N)，然后將欺騙圖像生成網(wǎng)絡(luò)G_θ輸出的欺騙圖像集合F進一步輸入通過步驟三更新后的原型空間判別網(wǎng)絡(luò)D_φ，將欺騙圖像映射到原型空間；根據(jù)欺騙圖像生成網(wǎng)絡(luò)G_θ的損失函數(shù)J(θ)，采用梯度下降算法，訓(xùn)練欺騙圖像生成網(wǎng)絡(luò)G_θ的網(wǎng)絡(luò)參數(shù)并更新欺騙圖像生成網(wǎng)絡(luò)G_θ;對于每張欺騙圖像來說，生成網(wǎng)絡(luò)G_θ的損失函數(shù)J(θ)定義如下：

其中，

其中是隨機噪聲圖像x_rd輸入欺騙圖像生成網(wǎng)絡(luò)G_θ后輸出的類別k欺騙圖像；是欺騙圖像在原型空間內(nèi)的映射；代表兩個張量c_k之間的歐幾里得距離；代表兩個張量c_k′之間的歐幾里得距離；

五.訓(xùn)練原型空間判別網(wǎng)絡(luò)

1.將支持集S中各類圖像子集{S₁，S₂，...S_k...S_N}輸入原型空間判別網(wǎng)絡(luò)得到各類圖像原型{c₁，c₂，...c_k...c_N}，

2.從查詢集Q中樣本圖像隨機選取M類樣本圖像，每類選取N個樣本圖像，組成每次訓(xùn)練用的查詢子集輸入原型空間判別網(wǎng)絡(luò)，得到其在原型空間內(nèi)的映射；

3.從步驟四中欺騙圖像生成網(wǎng)絡(luò)輸出的欺騙圖像集合F隨機選取M張欺騙圖像，輸入原型空間判別網(wǎng)絡(luò)得到其在原型空間內(nèi)的映射；

4.根據(jù)原型空間判別網(wǎng)絡(luò)D_φ的訓(xùn)練誤差函數(shù)C_D(φ)，采用梯度下降算法，訓(xùn)練網(wǎng)絡(luò)參數(shù)并更新原型空間判別網(wǎng)絡(luò)D_φ，

5.重復(fù)步驟2,3,4不少于100次；

原型空間判別網(wǎng)絡(luò)D_φ的訓(xùn)練誤差函數(shù)C_D(φ)定義如下：

C_D(φ)＝C′_D(φ)+NC_G(φ) (7)

其中，

這里的G_θ是步驟四中更新后的欺騙圖像生成網(wǎng)絡(luò)；

六、重復(fù)步驟四和步驟五進行欺騙圖像生成網(wǎng)絡(luò)和原型空間判別網(wǎng)絡(luò)的交替迭代訓(xùn)練,直到達(dá)到預(yù)先設(shè)定的迭代次數(shù)，或準(zhǔn)確率不再提升，得到訓(xùn)練好的欺騙圖像生成網(wǎng)絡(luò)和原型空間判別網(wǎng)絡(luò)；

七、使用訓(xùn)練好的原型空間判別網(wǎng)絡(luò)，將已知類別的圖像歸入支持集，通過原型空間判別網(wǎng)絡(luò)D_φ映射到原型空間得到各類圖像原型；將待識別的圖像歸入查詢集，同樣通過原型空間判別網(wǎng)絡(luò)D_φ映射到原型空間得到待識別圖像原型，在原型空間內(nèi)比較待識別圖像原型到各類圖像原型之間的歐幾里得距離，將與待識別圖像原型之間歐幾里得距離最近的圖像原型所屬類別判為待識別圖像的類別。