[發明專利]一種基于流形學習和高階圖神經網絡的小樣本圖像分類方法

在審

• 申請號: 202110441901.4
• 申請日: 2021-04-23
• 公開（公告）號: CN113052263A
• 公開（公告）日: 2021-06-29
• 發明（設計）人: 裴文江;田維維;夏亦犁
• 申請（專利權）人: 東南大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;G06N3/08
• 代理公司: 南京瑞弘專利商標事務所(普通合伙) 32249
• 代理人: 任志艷

1.一種基于流形學習和高階圖神經網絡的小樣本圖像分類方法，其特征在于，包括如下步驟：

步驟1，獲得圖像數據集作為訓練和驗證圖神經網絡的數據，將圖像數據集中每類樣本都分為訓練集和測試集，對訓練集中的部分樣本進行標記，將訓練集分為帶標記樣本和未標記樣本；

步驟2，將訓練集中的數據輸入特征提取網絡，得到圖像特征向量，特征提取網絡采用卷積神經網絡；

步驟3，將特征提取網絡得到的圖像特征向量輸入嵌入傳播網絡，映射得到一組插值的特征，稱之為嵌入特征；

步驟4，將嵌入特征作為基準特征，并計算邊特征和高階特征，將基準特征、邊特征和高階特征作為特征傳播網絡的初始特征；

步驟5，在特征傳播網絡的每一層，交替更新節點特征和邊特征，所述節點特征是指基準特征和高階特征，采用這種迭代的特征傳播方法使得圖神經網絡可以根據自身結構特性更新部分參數，將帶標記樣本的信息傳播到未標記樣本；

步驟6，輸出層是使用softmax函數的全連接層，將學習到的特征表示映射到樣本的標記空間。

2.根據權利要求1所述一種基于流形學習和高階圖神經網絡的小樣本圖像分類方法，其特征在于，步驟3中嵌入傳播網絡是指利用網絡輸出特征在圖中的相似性來輸出一組插值，其中圖是由徑向基函數利用特征的兩兩相似度構建的。

3.根據權利要求1所述一種基于流形學習和高階圖神經網絡的小樣本圖像分類方法，其特征在于，步驟4中高階特征是指差值向量由相鄰基準特征兩兩相減得到的；

基準特征向量差值向量以及邊特征向量具體表示為：

其中f(·)表示嵌入傳播網絡，e_ij1表示高階結構信息，e_ij2表示節點間相似度，e_ij3表示節點間不相似度，||表示連接符，的計算方式如下：

4.根據權利要求1所述一種基于流形學習和高階圖神經網絡的小樣本圖像分類方法，其特征在于，步驟5中交替更新節點特征和邊特征過程中，通過損失函數來約束優化，損失函數包括兩部分交叉熵損失和流形損失；

交叉熵損失函數如下：

其中是y_i在每一層的估計值，δ(y_i＝c)當y_i＝c時等于1，否則等于0；流形結構在不同層次和度量方法中的損失計算如下：

因此，最后的損失函數為：

L_loss＝L_ep+λL_ml

其中λ是平衡不同損失影響的參數。

5.根據權利要求1所述一種基于流形學習和高階圖神經網絡的小樣本圖像分類方法，其特征在于，特征提取網絡的網絡結構包括四個3×3核的卷積塊，一個線性單元，一個批歸一化單元和一個leakyReLU單元；每個卷積塊包括一個3×3的卷積層、一個批歸一化單元、一個2×2的最大池化層和一個leakyReLU單元。

6.根據權利要求1所述一種基于流形學習和高階圖神經網絡的小樣本圖像分類方法，其特征在于，步驟1中圖像數據集采用miniImageNet數據集。

7.根據權利要求1所述一種基于流形學習和高階圖神經網絡的小樣本圖像分類方法，其特征在于，步驟5中交替更新節點特征和邊特征是指利用特征傳播網絡上一層的節點特征和邊特征計算下一層的邊特征和節點特征，之后將邊特征歸一化，具體過程為：

在第l層，首先根據上一層的特征來更新

其中||表示連接符，表示第l層的節點特征更新網絡，表示第l層的網絡參數；之后根據來計算

基于高階結構的邊特征更新計算方式如下：

之后將邊特征歸一化：

其中||表示連接符，表示第l層的節點特征高階度量網絡，表示第l層的成對節點特征度量網絡，表示第l層高階結構信息，表示第l層節點間相似度，表示第l層節點間不相似度，表示第l層邊特征向量。