[发明专利]对小样本图像进行分类的主成分分析网络的训练方法

说明书

本公开描述了一种对小样本图像进行分类的主成分分析网络的训练方法，包括：向第一层网络输入N幅训练图像，将图像块向量化，将图像块进行拼接，对于N幅训练图像得到矩阵X；基于N幅训练图像得到第一数量的第一类聚类，并获取各个第一聚类的协方差矩阵，得到第一层网络的PCA滤波器，基于第一层网络的PCA滤波器得到第一层输出图像的第cl个滤波器的输出；将第一层输出图像输入至第二层网络，提取第一层输出图像的图像块并进行拼接；基于第一层输出图像得到第二数量的第二类聚类，并得到第二层网络的PCA滤波器，接着对第二层输出图像进行二值化、灰度化处理等得到N幅训练图像的特征。由此，能够准确的对小样本图像进行特征提取以及分类。

技术领域

本公开大体涉及一种对小样本图像进行分类的主成分分析网络的训练方法。

背景技术

现有的基于人工神经网络对图像的分类方法包括如下四种：(1) 基于手工设计的特征提取算子对图像进行特征提取，然后进行分类；(2) 采用深度学习方法学得特征提取算子，然后进行分类；(3)采用前向学习方法学得特征提取算子，然后进行分类；(4)采用额外数据和预训练方法，先预训练得到一个深度网络，利用预训练的深度网络提取特征，然后进行分类。

上述四类方法，都可以用于小样本图像分类，但是分别都存在一些局限性：

(1)基于手工设计特征的方法适用范围有限。某一种手工设计的特征往往适用于某一类图像，例如LBP特征适用于纹理分类的场合。很多情况下需要专家知识重新设计特征，才能用于新的数据。如果直接采用手工设计特征进行小样本分类，则学得的分类器推广性较弱，不能很好地用于小样本图像分类。

(2)基于深度学习的方法需要大量样本。由于网络参数数量庞大，如果训练样本数量不足，则很容易过拟合。现有的深度学习方法无法直接用于小样本图像分类。

(3)现有的前向网络在小样本学习上表现较好。例如 PCANet可以直接用于单样本人脸识别，且不需要额外数据。但是 PCANet在复杂数据的小样本图像分类问题上表现不佳，其提取的特征有待进一步改进。

(4)预训练方法适用范围有限。预训练方法必须利用额外数据，并且额外数据和已有数据必须相似，且任务必须相关。同时满足这些条件往往比较困难。例如在人脸欺诈检测中，需要判断人脸图像是真实人脸还是照片。该任务与通常的人脸识别任务不同，如果采用人脸识别的数据进行迁移，则效果不好，也即人脸识别数据无法直接用于人脸欺诈检测任务中。

发明内容

本发明有鉴于上述现有的状况，其目的在于提供一种能够准确地对小样本图像进行分类的训练方法。