[发明专利]一种基于多尺度度量学习的小样本学习方法

权利要求书

1.一种基于多尺度度量学习的小样本学习方法，其特征在于，包括以下步骤：

步骤一、建立数据集：建立支持集S_su和询问集S_qu，其中x_i表示支持集S_su中的第i个样本，y_i表示样本x_i的标签，x_j表示询问集S_qu中的第j个样本，y_j表示样本x_j的标签，i和j均为正整数，C×K表示支持集S_su的样本数量，C×N表示询问集S_qu的样本数量；

步骤二、生成多尺度特征映射层：

步骤201、生成支持集多尺度特征映射原型：将支持集S_su中的样本经过支持集特征提取模块得到多个支持集多尺度特征映射原型；

步骤202、生成询问集多尺度特征映射层：将询问集S_qu中的样本经过询问集特征提取模块得到多个询问集多尺度特征映射层；

步骤三、迁移学习：转换模块接收支持集多尺度特征映射原型并将其映射到适应于目标知识的特征空间中生成支持集多尺度特征映射层；

步骤四、生成多尺度特征映射对：将支持集多尺度特征映射层与询问集多尺度特征映射层进行相应组合得到多尺度特征映射对；

步骤五、计算多尺度特征映射对在多尺度关系生成网络中的关系得分RES_ω；

步骤六、采用多尺度度量学习模型对样本相似度进行度量：样本相似度L_total＝λL_IIRL+μL_avmse，其中表示询问集S_qu中第ω类样本的预测平均值，表示表示询问集S_qu中不属于第ω类样本的预测平均值，a_tr表示同类样本与异类样本预测平均值的间隔，L_avmse表示询问集中的样本类别预测损失，λ和μ表示多尺度权重。

2.按照权利要求1所述的一种基于多尺度度量学习的小样本学习方法，其特征在于：步骤六中其中其中ReS_ωj表示询问集S_qu中的第j个样本特征映射在第ω个类别所对应的关系得分。

3.按照权利要求1所述的一种基于多尺度度量学习的小样本学习方法，其特征在于：步骤五中关系得分其中RES_ω表示关系得分，f_ge表示多尺度关系生成网络，B表示多尺度关系生成模块，表示支持集S_su中第ω类别的多尺度特征映射层，V_su表示支持集S_su的特征向量，表示询问集S_qu中的第j个样本x_j对应的多尺度特征映射层，m表示特征层尺度，V_qu表示询问集S_qu的特征向量。

4.按照权利要求1所述的一种基于多尺度度量学习的小样本学习方法，其特征在于：步骤201生成支持集多尺度特征映射原型中，将支持集S_su中C×K个样本经过特征提取得到与每个样本对应的多尺度特征映射层，然后将每个类别下的样本对应的多尺度特征映射层融合成这个类别的多尺度特征映射层。

5.按照权利要求1所述的一种基于多尺度度量学习的小样本学习方法，其特征在于：步骤201中的支持集特征提取模块与步骤202中的询问集特征提取模块的特征层尺度相同。