[發明專利]一種引入噪聲信息和構建相似度空間的小樣本識別方法

在審

• 申請號: 202111497619.4
• 申請日: 2021-12-09
• 公開（公告）號: CN114330506A
• 公開（公告）日: 2022-04-12
• 發明（設計）人: 欒曉;李宗璇;劉玲慧
• 申請（專利權）人: 重慶郵電大學
• 主分類號: G06K9/62
• 分類號: G06K9/62
• 代理公司: 北京同恒源知識產權代理有限公司 11275
• 代理人: 廖曦

本發明涉及一種引入噪聲信息和構建相似度空間的小樣本識別方法，屬于數字圖像處理領域。該方法包含如下步驟：預訓練階段：噪聲干擾階段；生成新的支撐集；構建相似度空間階段：分別計算基礎數據集中每個類的特征中心支持集和查詢集中每個類的特征中心間的相似性。該相似度用于替換原始支持集和查詢集的特征，在相似度空間中形成新的特征表示；分類階段：通過全連接層融合前兩階段結果，然后用余弦相似度進行分類得出結果。本發明在傳統圖像特征的基礎上引入噪聲信息，并構建相似空間，應用在小樣本圖像識別任務中可以更好的增加圖像類別之間的差異性。同時，與其他方法相比，我們的方法擁有更小的計算量，更快的計算速度。

技術領域

本發明屬于數字圖像處理領域，涉及一種引入噪聲信息和構建相似度空間的小樣本識別方法。

背景技術

深度學習是一種數據驅動的學習范式，在圖像分類等視覺識別任務中取得了最先進的性能。然而，深度學習是使用大量數據進行訓練的。在許多實際應用中，很難獲得大的標記數據。這激發了人們對少樣本學習的興趣。

越來越多的方法被提出用于少樣本頭學習這些方法大多基于李文斌等人提出的三種方法，即基于度量、基于元學習和基于預訓練的方法。近年來，元學習已成為一種流行的少樣本習框架。它包括對分類器進行預訓練，以學習傳遞到支持集和查詢集的特征表示。隨后，該模型被轉移到基于小樣本量學習新類。在元學習的框架下，直接對模型進行優化，以確保其在多個識別任務中有效執行。但是由于缺乏標記數據，傳統的深度學習方法很難獲得準確的指標特征空間的區域會受到干擾。標記數據越少，網絡的抗干擾能力越弱

發明內容

有鑒于此，本發明的目的在于提供一種引入噪聲信息和構建相似度空間的小樣本識別方法。

為達到上述目的，本發明提供如下技術方案：

一種引入噪聲信息和構建相似度空間的小樣本識別方法，該方法包括以下步驟：

S1：預訓練階段：利用傳統的骨干網絡，訓練特征分類器，并遷移至小樣本識別任務；

S2：噪聲干擾階段：把支撐集與查詢集的特征向量融合；生成新的支撐集；

S3：構建相似度空間階段：分別計算基礎數據集中每個類的特征中心支持集和查詢集中每個類的特征中心間的相似性；該相似度用于替換原始支持集和查詢集的特征，在相似度空間中形成新的特征表示；

S4：判別結果整合階段：通過全連接層融合前兩階段結果，然后用余弦相似度進行分類得出結果。

可選的，所述步驟S1包括以下步驟：

S11：使用傳統ResNet12作為骨干網絡，訓練特征提取器；

S12：去掉最后一層全連接網絡，遷移至小樣本任務。

可選的，所述步驟S2包括以下步驟：

S21：計算支撐集中各個類別的特征中心點，作為該類別的特征；

S22：將查詢集的特征與支撐集中各個類別的特征中心進行融合，形成新的支撐集；

S23：新生成的支撐集與查詢集圖像進行余弦相似度計算，結果使用softmax進行分類。

可選的，所述步驟S3包括以下步驟：

S31：計算基礎數據集中每個類的特征中心支持集和查詢集中每個類的特征中心間的相似性；

S32：該相似度用于替換原始支持集和查詢集的特征，在相似度空間中形成新的支撐集與查詢集。

S33：新生成的支撐集與查詢集圖像進行余弦相似度計算，結果使用softmax進行分類；

可選的，所述步驟S4包括以下步驟：