[发明专利]基于小样本学习的细粒度表情分类方法

权利要求书

1.一种基于小样本学习的细粒度表情分类方法，其特征提取步骤如下：

步骤1：将训练集图像输入到由特征提取器和Cosine分类器构成的网络模型，采用反向传播方式进行模型训练，得到训练好的网络模型；

所述的训练集图像为对RAF数据集按照表情细分进行手工标注得到的细粒度表情数据集，由support set和query set组成，support set中的图像带有标签，query set中的图像不带标签；

所述的特征提取器是由若干卷积神经网络块组成，网络的初始权重是随机矩阵，输入图像经特征提取器提取得到其特征中心；

所述的Cosine分类器计算query set中图像的特征中心与support set中图像的类中心的Cosine相似度，并输出query set图像的预测类别；所述的类中心是指每类所包含图像的特征中心的平均值；

所述的网络模型的损失函数设定如下：

其中，L_s表示网络总损失，L_c表示中心损失，L_N表示样本没有被分类到正确类别的概率负数，L_r表示类间损失，β表示惩罚项系数，为超参数，在0.1～10内取值；L_c、L_N、L_r的计算公式分别如下：

其中，z_i代表第i张图像提取出来的特征中心，代表第i张图像所属第k类标签的特征中心，n代表每个batch包含的图像数量，K代表整个细粒度表情数据集的类别总数，E(·,·)代表欧氏距离，代表每个batch中第k类标签的特征中心，c_k表示代表第k类标签的特征中心，k的取值遍历属于一个batch的所有类别，c_k＇表示第k＇类的特征中心，c_i表示第i类的特征中心，c_j表示第j类的特征中心；

步骤2：将测试集分为support set和query set，用训练好的特征提取器分别提取其特征中心，并将query set的特征中心与support set的类特征中心送入训练好的Cosine分类器中计算其相似度，以相似度最高的support set的标签类别作为query set的预测类别。