[发明专利]基于图学习的小样本图像识别方法及系统

说明书

本发明涉及一种基于图学习的小样本图像识别方法及系统，所述图像识别方法包括：获取源域样本图像数据集；以各样本图像作为节点，建立无向带权图；基于特征生成模型提取各样本图像的基础特征向量；对各节点之间执行信息的传递和聚合，得到优化特征向量；基于优化特征向量，建立图像识别模型；根据所述优化特征向量，建立对比损失函数；采用随机梯度下降方法优化图像识别模型的参数直到对比损失函数收敛，以确定面向小样本图像的识别模型；根据面向小样本图像的识别模型，确定待测样本图像的所属类别。通过学习出来的识别模型在小样本场景下可以放大异类样本的类间差异，缩小同类样本的类内差异，极大提升了小样本识别的准确率。

技术领域

本发明涉及计算机视觉和小样本学习技术领域，特别涉及一种基于图学习的小样本图像识别方法及系统。

背景技术

图像识别技术广泛应用于视频监控、工业检测、航空航天等诸多领域，极大提高了相关行业的生产效率和质量。通常来说，图像识别模型需要大量带标签的样本进行训练才能达到理想的性能。然而，在某些现实的任务场景中，样本的数量非常少，同时样本的类别非常多，例如人脸识别、医疗影像分析等任务，导致传统的依赖大规模训练数据的深度模型无法发挥作用。

现有的基于迁移学习的小样本识别方法往往缺少适用于特定小样本任务场景的距离函数建模，仅仅采用简单的非参距离函数进行类别预测，例如欧氏距离或者余弦距离。同时，这些方法也缺少类内样本的关系挖掘，无法在样本匮乏的场景下充分挖掘标注样本与测试样本在特征空间的语义关系，导致识别准确率较低。

发明内容

为了解决现有技术中的上述问题，即为了提高小样本场景下的图像识别的准确率，本发明的目的在于提供一种基于图学习的小样本图像识别方法及系统。

为解决上述技术问题，本发明提供了如下方案：

一种基于图学习的小样本图像识别方法，所述图像识别方法包括：

获取源域样本图像数据集，所述源域样本图像数据集包括多个带有标签的源样本图像；

根据所述源域样本图像数据集，建立基于深度卷积神经网络的特征生成模型；

获取目标域样本图像数据集，所述目标域样本图像数据集包括多个带有标签的目标样本图像；

利用基于深度卷积神经网络的特征生成模型，提取各目标样本图像的基础特征向量；

以各样本图像作为节点，根据各目标样本图像的基础特征向量，建立无向带权图；

根据所述无向带权图及基础特征向量，建立基于图神经网络的特征优化模型；

根据图神经网络的特征优化模型，对各节点之间执行信息的传递和聚合，得到优化特征向量；

根据所述优化特征向量，建立基于非线性回归网络的特征距离函数；

基于所述基础特征向量、优化特征向量和特征距离函数，建立图像识别模型，所述图像识别模型用于确定两图像之间的距离；

根据所述优化特征向量，建立对比损失函数；

基于目标域样本图像数据集，采用随机梯度下降方法优化所述图像识别模型的参数直到对比损失函数收敛，以确定面向小样本图像的识别模型；

根据所述面向小样本图像的识别模型，确定所述待测样本图像的所属类别。

可选地，根据以下公式，确定基于深度卷积神经网络的特征生成模型：

X＝Φ(x)；

其中，Φ表示深度卷积神经网络，x表示输入的目标样本图像，X表示输出的基础特征向量。

可选地，所述以各目标样本图像作为节点，根据各目标样本图像的基础特征向量，建立无向带权图，具体包括：