[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(jì)）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

本發(fā)明涉及一種基于深度學(xué)習(xí)的小樣本圖像識別方法，該方法包括下述步驟：一、劃分訓(xùn)練集；二、生成噪聲圖像；三、預(yù)訓(xùn)練原型空間判別網(wǎng)絡(luò)；四、訓(xùn)練欺騙圖像生成網(wǎng)絡(luò)；五、訓(xùn)練原型空間判別網(wǎng)絡(luò)；六、重復(fù)步驟四和步驟五進(jìn)行交叉迭代訓(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；七、圖像類別識別。本發(fā)明在不改變已經(jīng)訓(xùn)練好的模型的前提下，借助每類少數(shù)幾個(gè)標(biāo)注樣本，通過泛化這些罕見的類別，識別訓(xùn)練過程中有從未見過的新類，而不需要額外的訓(xùn)練，圖像識別準(zhǔn)確率高。

技術(shù)領(lǐng)域

本發(fā)明屬于圖像識別技術(shù)領(lǐng)域，涉及一種基于深度學(xué)習(xí)的小樣本圖像識別方法，更具體地說，本發(fā)明涉及一種基于生成對抗網(wǎng)絡(luò)和原型思想的深度學(xué)習(xí)小樣本圖像識別方法。

背景技術(shù)

深度學(xué)習(xí)已經(jīng)廣泛應(yīng)用于各個(gè)領(lǐng)域，解決各類問題，例如在圖像識別問題上，往往可以達(dá)到很高的準(zhǔn)確率。然而，深度學(xué)習(xí)是一種“數(shù)據(jù)饑餓型”的技術(shù)，需要大量的標(biāo)注樣本才能發(fā)揮作用。可是在現(xiàn)實(shí)中，很多問題是沒有這么多標(biāo)注圖像的，獲取標(biāo)注圖像的成本也非常大，例如在醫(yī)療領(lǐng)域，安全領(lǐng)域等。隨著更多應(yīng)用場景的涌現(xiàn)，我們越來越面臨著樣本數(shù)量不足的問題。因此，當(dāng)標(biāo)注數(shù)據(jù)量比較少時(shí)，如何通過舉一反三的方式進(jìn)行小樣本圖像學(xué)習(xí)，成為了一個(gè)重要的研究方向。目前小樣本問題的場景也就是小樣本問題面臨的問題是：不改變已經(jīng)訓(xùn)練好的模型的前提下，只能借助每類少數(shù)幾個(gè)標(biāo)注樣本，泛化這些罕見的類別，識別訓(xùn)練過程中有從未見過的新類，而不需要額外的訓(xùn)練。

圖像原型思想來源于原型網(wǎng)絡(luò)，通過計(jì)算樣本圖片和每個(gè)類別的原型表達(dá)的距離來進(jìn)行分類。它假設(shè)每個(gè)類別都存在一個(gè)聚在某單個(gè)原型表達(dá)周圍的嵌入(embedding)，該類的原型是支持集(support set)在嵌入空間中的均值。然后，分類問題變成在嵌入空間中的最近鄰。該方法思想十分簡單高效，效果也非常好。原型網(wǎng)絡(luò)本身就是一種小樣本學(xué)習(xí)方法，實(shí)驗(yàn)表明歐幾里得(squared Euclidean)距離比余弦(cosine)距離要好14到17個(gè)百分點(diǎn)。目前，利用原型網(wǎng)絡(luò)進(jìn)行小樣本學(xué)習(xí)，在miniImageNet數(shù)據(jù)集上，支持集中每類圖像只有1個(gè)標(biāo)注樣本的情況下(one-shot-learning)，查詢圖像識別準(zhǔn)確率僅達(dá)到49.2±0.78％，支持集中每類圖像有5個(gè)標(biāo)注樣本的情況下(five-shot-learning)，查詢圖像識別準(zhǔn)確率達(dá)到僅68.20±0.66％。

發(fā)明內(nèi)容

本發(fā)明要解決的技術(shù)問題是提供一種基于深度學(xué)習(xí)的小樣本圖像識別方法，該方法借助每類少數(shù)幾個(gè)標(biāo)注樣本，通過泛化這些罕見的類別，即可識別新圖像的類別，而不需要額外的訓(xùn)練，圖像識別準(zhǔn)確率高。

為解決上述技術(shù)問題，本發(fā)明的基于深度學(xué)習(xí)的小樣本圖像識別方法包括下述步驟：

一、劃分訓(xùn)練集

將訓(xùn)練集中的樣本圖像隨機(jī)劃分到支持集S和查詢集Q，訓(xùn)練集中每個(gè)類別樣本圖像的數(shù)目一般不少于600個(gè)；其中支持集表示支持集S中包含了n個(gè)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(gè)樣本；查詢集同樣包含了n個(gè)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l個(gè)樣本；

二.生成噪聲圖像

隨機(jī)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}；