[發明專利]一種基于元骨干網絡的小樣本圖像分類方法

有效

• 申請號: 202011083540.2
• 申請日: 2020-10-12
• 公開（公告）號: CN112215280B
• 公開（公告）日: 2022-03-15
• 發明（設計）人: 龐善民;吳偉
• 申請（專利權）人: 西安交通大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06V10/764;G06V10/774;G06N3/04;G06N3/08
• 代理公司: 北京東方盛凡知識產權代理事務所(普通合伙) 11562
• 代理人: 張換君

1.一種基于元骨干網絡的小樣本圖像分類方法，其特征在于所述元骨干網絡包括訓練集單元、特征器提取器單元、余弦分類器單元、余弦分類器權重生成器單元，包括以下步驟：

S1.初始化所述特征器提取器單元和余弦分類器權重生成器單元的權重；

S2.根據原始圖像生成數據集，通過所述訓練集單元，輸入外循環步驟；

從所述訓練集單元中為每一個類別隨機采樣出若干個樣本，將所述樣本通過所述余弦分類器權重生成器單元產生所述余弦分類器單元的初始權重；

S3.進入內循環步驟，

重新從所述訓練集單元中采樣出一個批樣本訓練數據，將所述批樣本訓練數據輸入到元骨干網絡中，得到分類結果并計算損失，得到損失值，利用所述損失值和隨機梯度下降訓練方法，更新所述特征器提取器單元的權重，重新進入所述內循環步驟，循環若干次后退出內循環；

S4.計算若干次內循環的平均損失；

S5.利用所述平均損失和隨機梯度下降訓練方法更新所述余弦分類器權重生成器單元；

S6.重新進入所述外循環步驟，完成若干迭代次數后退出所述外循環步驟，結束訓練過程；

所述余弦分類器單元為自適應間隔分類器，訓練流程如下：

S8.1.從訓練集采樣出一個任務，任務中包括support set和query set；

S8.2隨機初始化ACI模型的權重，所述ACI模型為自適應間隔分類器模型，是一個全連接層；

S8.3使用support set和權重生成器生成分類器的初始化權重；

S8.4進入第二個訓練階段；

S8.5利用ACI模型對每個樣本生成自適應間隔；

S8.6利用上一步生成的自適應間隔和分類器進行分類，并計算損失；

S8.7用隨機梯度下降法更新整體權重，包括特征提取器和ACI；

S8.8進入測試階段；

S8.9對每一個測試樣本生成自適應間隔；

S8.10利用生成自適應間隔進行分類并計算準確率；

S8.11重新采樣一個任務，直到反復指定次數。

2.根據權利要求1所述一種基于元骨干網絡的小樣本圖像分類方法，其特征在于：

所述S2中，數據集為miniImageNet數據集，包括訓練集，驗證集和測試集。

3.根據權利要求2所述一種基于元骨干網絡的小樣本圖像分類方法，其特征在于：

所述訓練集和驗證集是由若干張圖像構成；

所述測試集是由任務構成的，每個任務包含了若干個類別，每個類別包含若干個樣本。

4.根據權利要求3所述一種基于元骨干網絡的小樣本圖像分類方法，其特征在于，包括如下步驟：

S2.1.所述元骨干網絡在所述訓練集上第一次訓練；

S2.2.所述元骨干網絡在所述測試集的單個任務里的訓練集進行第二次訓練；

S2.3.所述元骨干網絡在所述任務的測試集上進行測試。

5.根據權利要求1所述一種基于元骨干網絡的小樣本圖像分類方法，其特征在于：

所述余弦分類器權重生成器單元的工作原理為，將所述樣本的訓練數據映射到特征空間，然后輸出權重；

對于若干分類任務，權重生成器會生成對應若干個類別的分類權重。

6.根據權利要求5所述一種基于元骨干網絡的小樣本圖像分類方法，其特征在于：

所述余弦分類器權重生成器單元為自編碼權重生成器，將所述訓練數據進行編碼，投影到潛空間，得到潛特征向量的分布，從所述潛空間中解碼出分類器的權重；

所述解碼的方式，根據權重分布的均值和標準差，再從分布中采樣出分類器的權重。

7.根據權利要求1所述一種基于元骨干網絡的小樣本圖像分類方法，其特征在于：

在訓練余弦分類器權重生成器單元時，使用了元學習的訓練方法，在所述內循環中訓練所述余弦分類器權重生成器單元，并將自編碼解碼的中間變量看作權重的隱變量，然后對其進行梯度下降，具體訓練步驟如下：

S3.1利用所述余弦分類器權重生成器單元的特征提取器和關系模型，對任務中的支持集進行編碼，然后得到向量z；

S3.2利用所述余弦分類器權重生成器單元的解碼器將z解碼，然后得到初始的分類權重；

S3.3進入到內循環中；

S3.4利用support set和所述余弦分類器進行分類，并計算損失，得到損失值；

S3.5通過所述損失值對z執行隨機梯度下降；

S3.6利用梭胡解碼器將所述z解碼，然后得到新分類權重；

S3.7重新進入內循環，反復指定次數后退出內循環；

S3.8利用內循環中最后得到的分類權重和query set計算新的損失。