[發明專利]一種基于元學習的少樣本圖像分類方法

有效

• 申請號: 202010188012.7
• 申請日: 2020-03-17
• 公開（公告）號: CN111539448B
• 公開（公告）日: 2023-04-07
• 發明（設計）人: 劉偉鑫;周松斌;劉憶森
• 申請（專利權）人: 廣東省智能制造研究所
• 主分類號: G06V10/764
• 分類號: G06V10/764;G06V10/762;G06V10/82;G06N3/0464;G06N3/08
• 代理公司: 廣州容大知識產權代理事務所(普通合伙) 44326
• 代理人: 劉新年

1.一種基于元學習的少樣本圖像分類方法，其特征在于，包括以下步驟：

步驟S1：將圖像集分為訓練集、測試集；

步驟S2：提取訓練集所有圖像的surf特征，采用kmeans聚類方法對訓練集所有圖像的surf特征做聚類，形成k個簇，得到訓練集視覺詞典，同時得到聚類分類器k-classify；

步驟S3：計算訓練集每一幅圖像的視覺詞袋，形成訓練集視覺詞袋檢索庫；

步驟S4：將訓練集、測試集分別劃分為多個子任務，每個子任務包括支撐集、查詢集；

步驟S5：訓練過程：采用MAML算法，對訓練集多個子任務進行元訓練，學習一個最優的初始參數；

步驟S6：測試過程：通過視覺詞袋技術從訓練集視覺詞袋檢索庫中找出與測試集子任務支撐集圖像相似的圖像，用相似圖像對網絡模型進行預訓練更新參數，再用子任務的支撐集圖像進行訓練更新模型參數，最后用更新完參數的網絡模型對測試集子任務查詢集圖像進行測試，每次測試一個測試集子任務的查詢集圖像；

步驟S6具體包括以下步驟：

步驟S61：網絡模型采用步驟S5訓練過程得到的最優初始參數，對測試集一個子任務的支撐集圖像提取surf特征；

步驟S62：采用步驟S2得到的聚類分類器k-classify判斷支撐集圖像的每一個surf特征對應步驟S2訓練集視覺詞典中的視覺單詞，統計得到支撐集圖像的視覺詞袋；

步驟S63：將支撐集圖像的視覺詞袋與訓練集視覺詞袋檢索庫的所有圖像的視覺詞袋進行余弦相似度比較，每一個圖像的視覺詞袋是一個k維特征向量，最終得到與每一張支撐集圖像最相似的10張圖像，相似圖像的訓練學習率按如下公式計算得出：

其中，l為學習率，S余弦相似度，i為圖像序號；

步驟S64：將得到的所有相似圖像打亂順序輸入到網絡模型更新參數，再用測試集子任務的支撐集圖像更新網絡模型參數，學習率為0.02；

步驟S65：用更新參數后的網絡模型對測試集子任務的查詢集圖像進行分類測試。

2.根據權利要求1所述的基于元學習的少樣本圖像分類方法，其特征在于，在步驟S1中，所述訓練集、測試集包括不同種類的圖像，所述訓練集的圖像種類、數量多于所述測試集的圖像種類、數量。

3.根據權利要求2所述的基于元學習的少樣本圖像分類方法，其特征在于，步驟S2具體包括以下步驟：

步驟S21：計算訓練集所有圖像的surf特征，統計訓練集每一幅圖像surf特征數量，統計訓練集所有圖像surf特征數量的眾數k₁；

步驟S22：計算訓練集所有圖像的surf特征數量的平均數k₂，計算公式如下：

k₂＝Sum_surf/C(1)其中Sum_surf是訓練集所有圖像surf特征數量，C為訓練集圖像數量；

步驟S23：確定聚類方法kmeans的參數k，計算公式如下：

步驟S24：采用kmeans聚類方法對訓練集所有圖像的surf特征向量進行聚類，最終形成k個簇，每個簇就是一個視覺單詞，同時得到聚類分類器k-classify。

4.根據權利要求2所述的基于元學習的少樣本圖像分類方法，其特征在于，步驟S3具體包括以下步驟：

步驟S31：計算訓練集每一幅圖像的surf特征，采用步驟S2中的聚類分類器k-classify判斷每一幅圖像的每一個surf特征對應步驟S2中訓練集視覺詞典中的視覺單詞，即計算surf特征向量距離k-classify聚類最近的簇；

步驟S32：統計每幅圖像的視覺詞袋，將訓練集所有圖像的視覺詞袋集合成一個數據庫，形成訓練集的視覺詞袋檢索庫。