[發(fā)明專利]基于自動搜索度量函數(shù)的文物圖像小樣本分類算法

在審

• 申請?zhí)枺?/td>: 202210360329.3
• 申請日: 2022-04-07
• 公開（公告）號: CN114780774A
• 公開（公告）日: 2022-07-22
• 發(fā)明（設(shè)計）人: 周圓;郝杰克;霍樹偉;李碩士;陳克然
• 申請（專利權(quán)）人: 天津大學(xué)
• 主分類號: G06F16/55
• 分類號: G06F16/55;G06F16/583;G06V10/46;G06V10/764;G06V10/774;G06V10/82;G06K9/62;G06N20/00;G06N3/04;G06N3/08
• 代理公司: 天津市北洋有限責(zé)任專利代理事務(wù)所 12201
• 代理人: 琪琛

1.一種基于自動搜索度量函數(shù)的文物圖像小樣本分類算法，其特征在于，包括基于多尺度特征提取的卷積嵌入模塊和基于自動機(jī)器學(xué)習(xí)的度量函數(shù)搜索模塊；

所述基于多尺度特征提取的卷積嵌入模塊由多個卷積塊組成，其中每個卷積塊包括一個卷積層、一個批處理歸一化層和一個Leaky ReLU層；此外，在每兩個卷積塊之間加入一個額外的2×2max-pooling層；首先，對卷積嵌入模塊進(jìn)行預(yù)訓(xùn)練，使其具有一定的特征提取能力；然后，將文物圖像數(shù)據(jù)集劃分為多個小樣本任務(wù)數(shù)據(jù)集，每個小樣本任務(wù)數(shù)據(jù)集包括一個支持集和一個查詢集：支持集包括5個文物類別，每個類別包括1個或5個文物圖像；查詢集包括支持集中的5個文物類別，每個類別15個的文物圖像，并且與支持集中的文物圖像不重復(fù)；將支持集和查詢集中的文物圖像輸入卷積嵌入模塊，并從每個max-pooling層后提取出文物圖像對應(yīng)尺度的特征；淺層網(wǎng)絡(luò)輸出較大尺度的圖像特征，其中包含了低級的視覺信息；深層網(wǎng)絡(luò)輸出較小尺度的圖像特征，其中包含了高級的語義信息；

所述基于自動機(jī)器學(xué)習(xí)的度量函數(shù)搜索模塊針對當(dāng)前小樣本任務(wù)搜索最適合的度量函數(shù)，來提高模型的分類性能：

首先，基于度量函數(shù)的結(jié)構(gòu)特點，通過尋找兩部分來構(gòu)建合適的度量函數(shù)：歸一化操作和距離度量操作；

然后根據(jù)待搜索內(nèi)容，設(shè)計一個度量函數(shù)搜索空間，針對文物圖像每個尺度的特征搜索一個標(biāo)準(zhǔn)化操作和一個距離度量操作組成該尺度特征的度量函數(shù)，并將不同尺度特征對應(yīng)的度量函數(shù)賦予權(quán)重，加權(quán)組成總的度量函數(shù)。

2.根據(jù)權(quán)利要求1所述基于自動搜索度量函數(shù)的文物圖像小樣本分類算法，其特征在于，所述歸一化操作是對樣本的特征進(jìn)行平移和縮放，對特征的分布進(jìn)行歸一化，以消除特征之間的尺度差異的影響，從而適應(yīng)不同的距離度量操作；歸一化操作的公式如下：

其中，表示需要歸一化的特征，μ,σ表示移位參數(shù)和縮放參數(shù)；歸一化搜索層由四個候選操作組成：不歸一化、通道歸一化、全局歸一化和單獨歸一化。

3.根據(jù)權(quán)利要求1所述基于自動搜索度量函數(shù)的文物圖像小樣本分類算法，其特征在于，所述距離度量操作根據(jù)支持集樣本和查詢集樣本的特征計算出它們之間的距離；選擇了四個優(yōu)秀的度量函數(shù)放入距離度量搜索層中：內(nèi)積、歐氏距離、曼哈頓距離和馬氏距離；內(nèi)積是將兩個特征矩陣展平，將其相應(yīng)的元素相乘，然后相加的結(jié)果，具體公式如下：

其中，x,y均為n維向量；歐氏距離可以解釋為連接兩點的線段長度，具體公式如下：

其中，x,y均為n維向量；當(dāng)數(shù)據(jù)維度較低時，歐氏距離的距離度量效果較好；曼哈頓距離表示標(biāo)準(zhǔn)坐標(biāo)系上兩個向量的絕對軸距之和，具體公式如下：

其中，x,y均為n維向量；曼哈頓距離對數(shù)據(jù)中的異常值很敏感，不同維度的數(shù)值差異對結(jié)果影響相同；馬氏距離代表數(shù)據(jù)的協(xié)方差距離，具體公式如下：

其中x為特征矩陣，S為與y分布相同的協(xié)方差矩陣。

4.根據(jù)權(quán)利要求1所述基于自動搜索度量函數(shù)的文物圖像小樣本分類算法，其特征在于，在搜索度量函數(shù)階段，使用雙層優(yōu)化策略來訓(xùn)練網(wǎng)絡(luò)，優(yōu)化過程使用梯度下降法進(jìn)行優(yōu)化。