[發明專利]一種基于小樣本學習的圖像分類方法、系統、存儲介質及終端

有效

• 申請號: 202011150086.8
• 申請日: 2020-10-23
• 公開（公告）號: CN112434721B
• 公開（公告）日: 2023-09-01
• 發明（設計）人: 趙磊;方紅波;廖旻可
• 申請（專利權）人: 特斯聯科技集團有限公司
• 主分類號: G06V10/764
• 分類號: G06V10/764;G06V10/774;G06V10/80;G06V10/82;G06N3/0464;G06N3/08
• 代理公司: 北京辰權知識產權代理有限公司 11619
• 代理人: 劉廣達

本發明公開了一種基于小樣本學習的圖像分類方法、系統、存儲介質及終端，該方法包括：確定待分類的圖像數據集；抽取所述圖像數據集中多個類別的圖像數據樣本，并基于所述多個類別的圖像數據樣本建立圖像支持集；從圖像數據集中抽取后剩余的圖像數據樣本中再次抽取多個類別的第二圖像數據樣本構建查詢集；根據所述圖像支持集對預先訓練的小樣本分類網絡進行泛化處理，并將所述圖像查詢集中各圖像數據樣本輸入所述泛化處理后的小樣本分類網絡中，輸出所述各圖像數據樣本的類別。因此，采用本申請實施例，由于本申請通過提取到支持集和查詢集的樣本特征進行特征融合處理，使得兩個集合互相增強樣本間的相關特征來突出樣本間都感興趣的特征，從而提升了圖像分類的精度。

技術領域

本發明涉及計算機的深度學習技術領域，特別涉及一種基于小樣本學習的圖像分類方法、系統、存儲介質及終端。

背景技術

隨著深度學習的發展，人們提出了一種基于深度神經網絡的圖像分類方法，并需要通過大量的樣本進行訓練，使得深度神經網絡具有更好的性能。然而，在某些實際應用中，例如對象跟蹤或對象檢測，我們可能只有有限的樣本，因此很難建立大量有價值、已標記的樣本集。因此小樣本學習作為元學習在監督學習領域的應用，通過構建不同的元任務以解決m-way?k-shot問題，適用于少量樣本情況下提高分類模型的泛化能力。

現有小樣本學習方法主要包括基于模型、基于度量、基于優化的學習方法。其中基于度量的學習方法通過計算支持集和查詢集中樣本間的距離度量，借助非參數的方法(最近鄰、K近鄰、K均值等)來分類，實現同類樣本距離最近，異類樣本距離最遠的目的。基于度量的學習方法存在問題如下：這些方法通過將支持集和查詢集的樣本嵌入到特征空間，但是沒有充分利用這些提取到的樣本特征，這將使得分類模型的泛化能力下降。

發明內容

本申請實施例提供了一種基于小樣本學習的圖像分類方法、系統、存儲介質及終端。為了對披露的實施例的一些方面有一個基本的理解，下面給出了簡單的概括。該概括部分不是泛泛評述，也不是要確定關鍵/重要組成元素或描繪這些實施例的保護范圍。其唯一目的是用簡單的形式呈現一些概念，以此作為后面的詳細說明的序言。

第一方面，本申請實施例提供了一種基于小樣本學習的圖像分類方法，方法包括：

確定待分類的圖像數據集；

抽取所述圖像數據集中多個類別的圖像數據樣本，并基于所述多個類別的圖像數據樣本建立圖像支持集；

從所述圖像數據集中抽取后剩余的圖像數據樣本中再次抽取多個類別的第二圖像數據樣本，并基于所述多個類別的第二圖像數據樣本建立圖像查詢集；其中，所述第二圖像數據樣本的類別數量小于第一圖像數據樣本的類別數量；

根據所述圖像支持集對預先訓練的小樣本分類網絡進行泛化處理，并將所述圖像查詢集中各圖像數據樣本輸入所述泛化處理后的小樣本分類網絡中，輸出所述各圖像數據樣本的類別。

可選的，所述將所述圖像查詢集中各圖像數據樣本輸入所述泛化處理后的小樣本分類網絡中，輸出所述各圖像數據樣本的類別，包括：

基于所述泛化處理后的小樣本分類網絡計算所述圖像查詢集中各圖像數據樣本與所述圖像支持集之間的多個類別相似度，并將所述各圖像數據樣本對應的多個類別相似度中最大類別相似度進行標記；

輸出所述各圖像樣本數據的類別。

可選的，所述小樣本分類網絡包括特征提取層、注意力增強層、特征融合層、特征分類層以及類別輸出層；

所述基于所述泛化處理后的小樣本分類網絡計算所述圖像查詢集中各圖像數據樣本與所述圖像支持集之間的多個類別相似度，并將所述各圖像數據樣本對應的多個類別相似度中最大類別相似度進行標記，包括：