[發明專利]單樣本圖像分類方法、系統、計算機設備及存儲介質

有效

• 申請號: 202110433829.0
• 申請日: 2021-04-22
• 公開（公告）號: CN113221964B
• 公開（公告）日: 2022-06-24
• 發明（設計）人: 劉亦書;張利強;韓政卓;陳聰慧
• 申請（專利權）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: 廣州市華學知識產權代理有限公司 44245
• 代理人: 李君

本發明公開了一種單樣本圖像分類方法、系統、計算機設備及存儲介質，方法包括：生成變體關系網絡；訓練T個變體關系網絡，得到T個教師網絡；利用教師網絡提取所有訓練圖像的特征；為支撐圖像列表創建參照相似度列表；構造排序損失函數和混合損失函數；用混合損失函數取代變體關系網絡中的關系損失函數，用排序學習子網取代關系學習子網，生成排序網絡；訓練排序網絡，得到訓練好的排序網絡；將查詢圖像和單樣本支撐圖像輸入訓練好的排序網絡中進行分類，得到查詢圖像的分類結果。本發明公開的排序網絡可根據相似度對支撐圖像進行排序，彌補了現有模型只能判斷“是或非”的不足，因而具有更強的泛化能力和更高的分類性能。

技術領域

本發明涉及一種單樣本圖像分類方法、系統、計算機設備及存儲介質，屬于深度學習和圖像分類領域。

背景技術

人類(甚至嬰幼兒)只見過若干個(甚至一個)香蕉、橘子和西瓜，就能區分這幾種水果。小樣本學習旨在訓練出具備這種類人能力的模型——只給模型提供極少量的新類別樣本(這些類別不參與訓練，叫“新類”；與之相對，參與訓練的類別叫“基類”)，它就能執行圖像分類。

單樣本學習是小樣本學習的特例，它指的是訓練好的模型能夠在每個新類只提供一個樣本的情況下進行圖像識別。

和其它很多領域一樣，目前單樣本學習領域的優秀方法大多是基于深度學習的。這些方法可以分成三種：網絡微調法、循環神經網絡記憶法和度量學習法。三者各有千秋，沒有一種方法明顯優于其它方法。其中，簡單有效的度量學習法應用最為廣泛。

小(單)樣本度量學習模型的典型代表是加拿大多倫多大學提出的孿生網絡、谷歌提出的匹配網絡、多倫多大學提出的原型網絡和倫敦瑪麗女王大學提出的關系網絡。其中，最晚出現的關系網絡表現最為突出，其網絡結構如圖1所示(以“5類、單樣本、單查詢”為例)。

關系網絡采用情景訓練策略，每個訓練情景(即小批)涉及一個支撐圖像列表x＝(x₁，x₂，…，x_C)和一個查詢圖像集Q。記x_i(i∈{1，2，…，C})和查詢圖像q∈Q的真實關系得分為：

并記關系網絡對r_i的預測值為r′_i，則損失函數可定義為：

其中，ω和分別表示特征學習子網和關系學習子網的參數(包括權重和偏置)。

由的定義可看出，關系網絡以二值預測為目標——如果支撐圖像x_i與查詢圖像q來自同一類，則期望的關系得分預測值為1(“是”)；否則為0(“非”)。換言之，在關系網絡“眼里”，支撐圖像只有兩種：“與查詢圖像同類”和“與查詢圖像異類”；它“一視同仁”地對待四幅異類圖像，“看不出”宮殿比其余三者更像教堂(見圖1)。可見這種預測過于寬泛和粗略了。如果設定更嚴格的訓練目標，“強迫”模型給出更具體精細的預測(例如，預測C幅支撐圖像的順序，越像查詢圖像者越靠前)，那么，深度網絡學習到的特征必定更富有表現力，更能刻畫圖像的本質，因而模型將具有更強的泛化能力，其分類結果也將更準確可靠。

發明內容

有鑒于此，本發明提供了一種單樣本圖像分類方法、系統、計算機設備及存儲介質，該方法生成一種新的單樣本學習模型——排序網絡。借助知識蒸餾和排序學習等技術，排序網絡可對圖像相似度進行精細預測，進而根據相似度大小對支撐圖像進行排序。較之僅能判斷“是或非”的現有模型，具備精細辨識力的排序網絡擁有更強的單樣本分類能力。

本發明的第一個目的在于提供一種單樣本圖像分類方法。

本發明的第二個目的在于提供一種單樣本圖像分類系統。

本發明的第三個目的在于提供一種計算機設備。

本發明的第四個目的在于提供一種計算機可讀存儲介質。