[發明專利]一種基于關系網絡的少樣本圖像分類方法

在審

• 申請號: 202110691161.X
• 申請日: 2021-06-22
• 公開（公告）號: CN113326892A
• 公開（公告）日: 2021-08-31
• 發明（設計）人: 劉洋;蔡登;張偉鋒;項超;鄭途
• 申請（專利權）人: 浙江大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;G06N3/08
• 代理公司: 杭州天勤知識產權代理有限公司 33224
• 代理人: 彭劍

本發明公開了一種基于關系網絡的少樣本圖像分類方法，包括：(1)神經網絡模型前向推導查詢圖像和支持圖像的局部視覺特征表示；(2)構建雙向附屬關系網絡挖掘查詢圖像和支持圖像集中的局部特征的深層關聯性；(3)根據關系網絡的圖網絡中心性進行查詢圖像的分類概率預測；(4)使用帶有標簽的圖像數據集進行少樣本任務劃分后訓練神經網絡模型(5)根據與支持圖像集中各類之間的分類概率進行排序，選取最大分類概率的類作為該圖像的類預測。利用本發明，可以使得少樣本圖像分類在訓練過程中的局部特征的關聯性得到充分挖掘，使得分類的結果更加準確。

技術領域

本發明屬于圖像分類技術領域，尤其是涉及一種基于關系網絡的少樣本圖像分類方法。

背景技術

近年來，目標分類作為計算機視覺領域中一個重要的分支，受到廣大來自工業界和學術界研究者的關注。受益于深度學習技術的快速發展，有監督的目標分類任務取得了很大的進展，但同時，這種監督條件下的訓練方法存在一些限制，即在有監督分類中，每個類都需要足夠的帶有標簽的訓練樣本。然而，在實際應用中，每個類可能沒有足夠的訓練樣本，標注圖片數據需要一定的專業知識且往往會花費大量的人力。

少樣本圖像分類的目標是學習一種關于圖像分類機器學習模型，使得其在學習了一定類別的大量數據的圖像分類任務后，對于新的圖像類別，只需要少量的樣本就能進行快速分類的方法。少樣本圖像分類方法已經成為機器學習領域中一個快速發展的方向，并已經在醫學影像、衛星圖片和一些稀有物種的分類問題上獲得一定成果。

目前最新進展的少樣本圖像分類方法，不再用一個單一的特征向量對整張圖像進行全局的特征表示，而是學習基于局部特征符的特征表示，這種特征表示盡可能地保留了各個局部信息。該推導方法的流程為：輸入一張圖像，模型在第一階段推導出圖像多個局部特征向量，用一個局部特征向量集合來表示；在第二階段使用各種基于度量學習的方法來衡量查詢圖像和由少量樣本所組成的支持圖像之間的距離。例如，2019年收錄于國際計算機視覺與模式識別會議(The Conference on Computer Vision and PatternRecognition)上的文章《Revisiting Local Descriptor based Image-to-Class Measurefor Few-shot Learning》提出的DN4模型，使用一種基于樸素貝葉斯最近鄰的度量方法來聚合查詢圖像各個局部特征表示的與支持圖像集的相似度度量值。2019年國際計算機視覺與模式識別會議(The Conference on Computer Vision and Pattern Recognition)上收錄的《Dense classification and implanting for few-shot learning》提出了一種稠密分類的方法，對于圖像各個局部特征表示進行分類預測并將它們的預測值進行平均得到整個圖像的分類預測結果。2020年國際計算機視覺與模式識別會議(The Conference onComputer Vision and Pattern Recognition)上收錄的《DeepEMD:Few-Shot ImageClassification with Differentiable Earth Mover’s Distance》文章提出將圖像拆分成多個圖塊，引入一種推土機距離作為圖塊間的距離度量方法，計算查詢圖像和支持圖像的各個圖塊之間的最佳匹配代價來表示兩者之間的相似度。