[發(fā)明專利]一種基于高斯化原型分類器的小樣本圖像分類方法在審
| 申請?zhí)枺?/td> | 202210033297.6 | 申請日： | 2022-01-12 |
| 公開（公告）號： | CN114387474A | 公開（公告）日： | 2022-04-22 |
| 發(fā)明（設計）人： | 楊賽;楊慧;周伯俊;胡彬 | 申請（專利權）人： | 南通大學 |
| 主分類號： | G06V10/764 | 分類號： | G06V10/764;G06V10/774;G06V10/82;G06K9/62;G06N3/04;G06N3/08 |
| 代理公司： | 暫無信息 | 代理人： | 暫無信息 |
| 地址： | 226019 *** | 國省代碼： | 江蘇;32 |
| 權利要求書： | 查看更多 | 說明書： | 查看更多 |
| 摘要： | |||
| 搜索關鍵詞： | 一種 基于 高斯化 原型 分類 樣本 圖像 方法 | ||
1.一種基于高斯化原型分類器的小樣本圖像分類方法，其特征在于，包括以下步驟：
步驟1：準備圖像數(shù)據(jù)，對于給定的圖像數(shù)據(jù)集I，將其隨機分為基類數(shù)據(jù)集Ibase，驗證數(shù)據(jù)集Ival和新類數(shù)據(jù)集Inovel，分別用于主干卷積神經(jīng)網(wǎng)絡的預訓練，超參數(shù)驗證和測試；
步驟2：主干卷積神經(jīng)網(wǎng)絡的預訓練，模型由主干神經(jīng)網(wǎng)絡fθ，線性分類器Cw()以及Softmax層組成；將基類圖像數(shù)據(jù)輸入到模型中，依次經(jīng)過主干卷積神經(jīng)網(wǎng)絡提取特征，線性分類器計算分類分值以及Softmax層計算概率輸出值；然后基于概率輸出值以及圖像的真實標簽計算交叉熵損失函數(shù)并利用梯度下降法對模型中的參數(shù)進行優(yōu)化；
步驟3：存儲基類原型特征，固定主干神經(jīng)網(wǎng)絡fθ中的參數(shù)θ，將基類數(shù)據(jù)集Ibase中的圖像樣本輸入到fθ中提取特征，然后計算每類樣本特征的原型特征，并將所有Cb個原型特征作為先驗信息進行存儲；
步驟4，新類樣本特征的分布校正，對于基于新類數(shù)據(jù)集構(gòu)建的支持圖像樣本和查詢圖像樣本，將其輸入到主干卷積神經(jīng)網(wǎng)絡中提取特征，利用分段冪級數(shù)函數(shù)對其特征分布進行校正，使樣本的特征分布滿足高斯分布；
步驟5：對新類原型進行校正，計算每類支持樣本的初始原型以及其與基類原型特征的L個近鄰原型的平均值作為先驗信息，然后利用最大后驗概率估計對新類原型進行校正；
步驟6：對查詢樣本進行分類決策，使用基于校正后的原型的高斯化原型分類器對查詢樣本進行分類決策。
2.根據(jù)權利要求1所述的一種基于高斯化原型分類器的小樣本圖像分類方法，其特征在于，所述步驟1的具體步驟如下：
(1)Ibase數(shù)據(jù)集中共有Cb個類別，第c個類別集合被表示為Nc為此類中圖像的數(shù)目，表示第i個基類圖像，表示其對應的標簽；
(2)在驗證和測試階段，在Ival和Inovel數(shù)據(jù)集上構(gòu)建N-way-K-shot小樣本圖像分類任務：具體來說，在數(shù)據(jù)集Ival和Inovel中，隨機抽取N個類別，在每個類別中隨機選取K個圖像樣本作為支持樣本集，再在剩余圖像樣本中隨機選取Q個圖像樣本作為查詢樣本集，第n個類別的支持樣本集被表示為查詢樣本集被表示為
3.根據(jù)權利要求1所述的一種基于高斯化原型分類器的小樣本圖像分類方法，其特征在于，所述步驟2的具體步驟如下：
(1)初始化模型中主干卷積神經(jīng)網(wǎng)絡中的參數(shù)θ以及分類器中的參數(shù)矩陣W；
(2)在Ibase數(shù)據(jù)集中隨機抽取M個圖像樣本，第i個基類圖像樣本輸入到主干神經(jīng)網(wǎng)絡fθ中提取圖像特征，圖像特征表示為：
(3)將特征輸入到分類器中，分類分值的計算公式為：
其中[w1,w2,.......wcb]表示分類器中權重向量；
(4)Softmax層將分類分值轉(zhuǎn)化為分類輸出概率值的計算公式為：
其中Sij為分類分值Si的第j個分量，wj為分類器參數(shù)矩陣W中的第j個權重向量；
(5)分類輸出概率值與真實標簽之間的交叉熵損失函數(shù)為：
其中pij為分類輸出概率值，wj為分類器參數(shù)矩陣W中的第j個權重向量，M為圖像樣本數(shù)目。
4.根據(jù)權利要求1所述的一種基于高斯化原型分類器的小樣本圖像分類方法，其特征在于，所述步驟3的具體步驟如下：
(1)固定主干神經(jīng)網(wǎng)絡fθ中的參數(shù)θ，將基類數(shù)據(jù)集Ibase中的圖像樣本輸入到fθ中，提取每個樣本的特征，其中第c個類別圖像特征集合被表示為其中表示第i個圖像樣本的特征；
(2)第c個類別的原型特征計算公式為：
該專利技術資料僅供研究查看技術是否侵權等信息，商用須獲得專利權人授權。該專利全部權利屬于南通大學，未經(jīng)南通大學許可，擅自商用是侵權行為。如果您想購買此專利、獲得商業(yè)授權和技術合作，請聯(lián)系【客服】
本文鏈接：http://www.szxzyx.cn/pat/books/202210033297.6/1.html，轉(zhuǎn)載請聲明來源鉆瓜專利網(wǎng)。
