[發(fā)明專利]一種基于元學習的少樣本圖像分類方法

有效

• 申請?zhí)枺?/td>: 202010188012.7
• 申請日: 2020-03-17
• 公開（公告）號: CN111539448B
• 公開（公告）日: 2023-04-07
• 發(fā)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(chǎn)權代理事務所(普通合伙) 44326
• 代理人: 劉新年

本發(fā)明公開了一種基于元學習的少樣本圖像分類方法，涉及計算機視覺圖像識別領域，包括以下步驟：S1：將圖像集分為訓練集、測試集；S2：提取訓練集所有圖像的surf特征，采用聚類方法對surf特征做聚類，得到訓練集視覺詞典；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；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；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(yōu)的初始參數(shù)；S6：測試過程：每次測試一個測試集子任務的查詢集圖像。本發(fā)明與傳統(tǒng)的方案相比具備少樣本快速學習、泛化能力。

技術領域

本發(fā)明涉及計算機視覺圖像識別領域，尤其是涉及一種基于元學習的少樣本圖像分類方法。

背景技術

近年來深度學習在學術界、科技界應用廣泛，尤其在圖像領域，目前已經(jīng)在圖像分類領域取得較大進展，取得不錯成效。深度學習能取得了巨大成功，最為關鍵的因素就是利用大量的數(shù)據(jù)去驅(qū)動模型訓練，使其獲得良好的測試效果。但是在實際應用中深度學習算法難以實施，因為深度學習訓練需要大量的標記樣本，但擁有大量數(shù)據(jù)樣本的企業(yè)畢竟是少數(shù)，大部分企業(yè)并沒有那么多標記樣本；其次模型訓練耗時，對于有些檢測分類要求頻繁變化的應用，每次更改一次檢測要求，就需要重新訓練大量樣本，這大大增加了時間成本。

元學習是近年來深度學習領域最熱門的研究方向之一，其最主要應用于少樣本學習，其主要通過元訓練過程學會學習能力，使網(wǎng)絡模型對新的少樣本具備快速學習泛化的能力。

從少量數(shù)據(jù)中快速學習和適應的能力對于人工智能至關重要。深度學習方法可以通過元學習“利用之前的經(jīng)驗學習如何學習”的思想來解決少樣本學習問題，從而彌補其在樣本量少的情況下無法快速泛化和繼續(xù)學習的缺點。

發(fā)明內(nèi)容

有鑒于此，有必要針對上述的問題，提供一種基于元學習的少樣本圖像分類方法，采用MAML框架算法進行元訓練，實現(xiàn)在少樣本訓練下完成圖像分類的方法。

為實現(xiàn)上述目的，本發(fā)明是根據(jù)以下技術方案實現(xiàn)的：

一種基于元學習的少樣本圖像分類方法，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(yōu)的初始參數(shù)；

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(wǎng)絡模型進行預訓練更新參數(shù)，再用子任務的支撐集圖像進行訓練更新模型參數(shù)，最后用更新完參數(shù)的網(wǎng)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。

進一步地，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(shù)量多于所述測試集的圖像種類、數(shù)量。

進一步地，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(tǒng)計訓練集每一幅圖像surf特征數(shù)量，統(tǒng)計訓練集所有圖像surf特征數(shù)量的眾數(shù)k₁；

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

k₂＝Sum_surf/C??(1)