[發(fā)明專利]單樣本圖像分類方法、系統(tǒng)、計算機設(shè)備及存儲介質(zhì)

有效

• 申請?zhí)枺?/td>: 202110433829.0
• 申請日: 2021-04-22
• 公開（公告）號: CN113221964B
• 公開（公告）日: 2022-06-24
• 發(fā)明（設(shè)計）人: 劉亦書;張利強;韓政卓;陳聰慧
• 申請（專利權(quán)）人: 華南師范大學
• 主分類號: G06V10/764
• 分類號: G06V10/764;G06V10/774;G06V10/80;G06V10/82;G06N3/08;G06N3/04;G06K9/62
• 代理公司: 廣州市華學知識產(chǎn)權(quán)代理有限公司 44245
• 代理人: 李君

1.一種單樣本圖像分類方法，其特征在于，所述方法包括：

通過改變關(guān)系網(wǎng)絡(luò)的特征融合方式和重新構(gòu)造損失函數(shù)，生成變體關(guān)系網(wǎng)絡(luò)，所述損失函數(shù)為關(guān)系損失函數(shù)，所述變體關(guān)系網(wǎng)絡(luò)包括特征學習子網(wǎng)和關(guān)系學習子網(wǎng)，所述關(guān)系學習子網(wǎng)包括4個全連接層；

依次將T個預訓練卷積神經(jīng)網(wǎng)絡(luò)作為變體關(guān)系網(wǎng)絡(luò)的特征學習子網(wǎng)，訓練對應(yīng)的變體關(guān)系網(wǎng)絡(luò)，得到T個教師網(wǎng)絡(luò)；

依次將T個教師網(wǎng)絡(luò)作為特征生成器，提取所有訓練圖像的特征；

利用所有訓練圖像的特征，為支撐圖像列表創(chuàng)建參照相似度列表；

利用排列概率模型構(gòu)造排序損失函數(shù)，進而構(gòu)造混合損失函數(shù)；

用混合損失函數(shù)取代變體關(guān)系網(wǎng)絡(luò)中的關(guān)系損失函數(shù)，用排序?qū)W習子網(wǎng)取代關(guān)系學習子網(wǎng)，生成排序網(wǎng)絡(luò)，所述排序網(wǎng)絡(luò)包括特征學習子網(wǎng)和排序?qū)W習子網(wǎng)，所述排序?qū)W習子網(wǎng)包括4個全連接層；

根據(jù)參照相似度列表，采用情景訓練模式訓練排序網(wǎng)絡(luò)，得到訓練好的排序網(wǎng)絡(luò)；

將查詢圖像和單樣本支撐圖像輸入訓練好的排序網(wǎng)絡(luò)中進行分類，得到查詢圖像的分類結(jié)果；

所述改變關(guān)系網(wǎng)絡(luò)的特征融合方式，具體為：

將特征學習子網(wǎng)看作一個向量函數(shù)f(ω；·)，集成支撐圖像x_i與查詢圖像q的特征，得到集成特征，如下式：

α_i＝(f(ω；x_i)-f(ω；q)).*(f(ω；x_i)-f(ω；q))

其中，“.*”表示對應(yīng)元素相乘，ω表示特征學習子網(wǎng)的參數(shù)；

所述重新構(gòu)造損失函數(shù)，具體為：

在關(guān)系網(wǎng)絡(luò)的關(guān)系得分層運用softmax函數(shù)，令第i個激活值p_i表示第i個歸屬概率，同時記查詢圖像q的類別標簽為利用交叉熵構(gòu)造關(guān)系損失函數(shù)，如下式：

其中，表示關(guān)系損失函數(shù)，ω和分別表示特征學習子網(wǎng)和關(guān)系學習子網(wǎng)的參數(shù)，x表示支撐圖像x₁,x₂,…,x_C構(gòu)成的支撐圖像列表，Q表示任一訓練情景的查詢圖像集。

2.根據(jù)權(quán)利要求1所述的單樣本圖像分類方法，其特征在于，所述利用所有訓練圖像的特征，為支撐圖像列表創(chuàng)建參照相似度列表，具體包括：

根據(jù)所有訓練圖像的特征，計算所有圖像對的歐氏距離并規(guī)范化到[0,1]上；

假設(shè)第t個教師算出支撐圖像x_i與查詢圖像q的規(guī)范化歐氏距離為d_ti，定義x_i與q的參照相似度，如下式：

其中，T表示教師網(wǎng)絡(luò)的個數(shù)，s_i表示參照相似度且s_i∈[0,1)；若參照相似度s_i＝0，則舍棄對應(yīng)的查詢圖像q；

根據(jù)參照相似度s₁,s₂,…,s_C，為支撐圖像列表x＝(x₁,x₂,…,x_C)創(chuàng)建參照相似度列表s＝(s₁,s₂,…,s_C)。

3.根據(jù)權(quán)利要求1所述的單樣本圖像分類方法，其特征在于，所述利用排列概率模型構(gòu)造排序損失函數(shù)，具體為：

記π＝[π(1),π(2),…,π(C)]為C個自然數(shù)1,2,…,n的一個排列，且記所有排列構(gòu)成的集合為Ω_n，給定正列表u，定義排列π的概率，如下式：

其中，π(i)表示排在第i位的自然數(shù)；

記支撐圖像列表x的參照相似度列表為s，并記排序網(wǎng)絡(luò)為x生成的預測相似度列表為s′，利用s的排列概率P(π|s)和s′的排列概率P(π|s′)構(gòu)造排序損失函數(shù)，如下式：

其中，ω和分別表示特征學習子網(wǎng)和排序?qū)W習子網(wǎng)的參數(shù)，q表示查詢圖像，Q表示任一訓練情景的查詢圖像集。

4.根據(jù)權(quán)利要求1所述的單樣本圖像分類方法，其特征在于，所述構(gòu)造混合損失函數(shù)，如下式：

其中，表示混合損失函數(shù)，表示排序損失函數(shù)，表示關(guān)系損失函數(shù)，λ≥0表示一個正則化參數(shù)。