[發明專利]一種基于小樣本學習的圖像特征提取裝置

有效

• 申請號: 202011123494.4
• 申請日: 2020-10-20
• 公開（公告）號: CN112215241B
• 公開（公告）日: 2022-04-01
• 發明（設計）人: 龐善民;劉颯
• 申請（專利權）人: 西安交通大學
• 主分類號: G06V10/46
• 分類號: G06V10/46;G06V10/764;G06V10/80;G06V10/82;G06K9/62;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

本發明提供一種基于小樣本學習的圖像特征提取裝置，包括第一多通道特征加權模塊、第二多通道特征加權模塊、卷積模塊、第一多尺度特征融合模塊和第二多尺度特征融合模塊；所述第一多通道特征加權模塊、所述第二多通道特征加權模塊及所述卷積模塊依次連接；所述第一多尺度特征融合模塊與所述第二多尺度特征融合模相連；所述第一多尺度特征融合模塊分別與所述第二多通道特征加權模塊及所述卷積模塊相連；所述第二多尺度特征融合模塊與所述第一多通道特征加權模塊相連。本發明通過多通道特征加權模塊和多尺度特征融合模塊對小樣本圖像數據集進行特征提取，能夠有效提高小樣本分類的準確率。

技術領域

本發明涉及圖像處理技術領域，特別涉及一種基于小樣本學習的圖像特征提取裝置。

背景技術

近幾年來大數據技術、卷積神經網絡和計算及性能都在飛速發展，大規模數據的圖像任務，例如圖像分類、目標檢測、圖像分割等都已經發展的非常成熟。然而目前主流的深度學習網絡模型都針對樣本數量較大的任務提出，而忽略了現實生活中大多數任務場景下數據量稀缺的問題。而相比較于機器，人類只需少量樣本就可以達到相當準確的學習效果，這主要是因為，在人類在漫長的進化過程中獲得了快速捕捉樣本區分性特征的能力。同樣，在圖像樣本十分稀缺的情況下，如何在僅有的樣本中提取最能代表該類的特征成為了提高任務正確率的關鍵。

發明內容

本發明的目的在于提供一種基于小樣本學習的圖像特征提取裝置，多通道特征加權模塊和多尺度特征融合模塊對小樣本圖像數據集進行特征提取，能夠有效提高小樣本分類的準確率。

為實現上述目的，本發明提供了如下方案：本發明提供一種基于小樣本學習的圖像特征提取裝置，其特征在于，包括第一多通道特征加權模塊、第二多通道特征加權模塊、卷積模塊、第一多尺度特征融合模塊和第二多尺度特征融合模塊；

所述第一多通道特征加權模塊、所述第二多通道特征加權模塊及所述卷積模塊依次連接；

所述第一多尺度特征融合模塊與所述第二多尺度特征融合模相連；

所述第一多尺度特征融合模塊分別與所述第二多通道特征加權模塊及所述卷積模塊相連；

所述第二多尺度特征融合模塊與所述第一多通道特征加權模塊相連。

優選地，所述第一多通道特征加權模塊用于對圖像數據集進行第一次特征提取及特征加權，得到具有權重的第一多通道特征。

優選地，所述第二多通道特征加權模塊用于對所述具有權重的第一多通道特征進行第二次特征提取及特征加權，得到具有權重的第二多通道特征。

優選地，所述卷積模塊用于對所述具有權重的第二多通道特征進行特征提取及加權，得到具有權重的第三多通道特征，并根據第三多通道特征輸出多通道加權特征圖。

優選地，所述第一多尺度特征融合模塊用于接收所述具有權重的第二多通道特征及所述具有權重的第三多通道特征并進行特征融合；

所述第二多尺度特征融合模塊用于接收所述具有權重的第一多通道特征及所述第一多尺度特征融合模塊的輸出結果并進行特征融合，輸出多尺度融合特征圖。

優選地，所述第一多通道特征加權模塊包括依次連接的第一卷積塊、第一池化層、第一全連接層、第二全連接層及第二卷積塊；

所述第一卷積塊用于對圖像數據集進行特征提取，得到圖像特征；

所述第一池化層用于對提取后的圖像特征進行全局特征提取，得到全局特征標量；

所述第一全連接層用于接收所述全局特征標量并減小所述全局特征標量的網絡尺寸，并得到帶有權重的參數；

所述第二全連接層用于將減小后的網絡尺寸增大到所述全局特征標量的原始尺寸，并得到帶有權重的參數；