[发明专利]基于小样本学习的细粒度表情分类方法

说明书

本发明提供了一种基于小样本学习的细粒度表情分类方法。首先将训练集图像划分为support set和query set，并且输入到网络模型中，计算support set中图像的类特征中心和query set图像的特征中心，再用Cosine分类器计算两者之间的相似度，并输出预测类别，计算损失函数值，进行反向传播迭代训练，得到训练好的网络模型；然后，将测试集图像也划分为support set和query set，并利用训练好的网络得到其表情分类预测结果。本发明能够实现细粒度表情数据分类，且具有较高的表情分类准确度。

技术领域

本发明属于小样本学习技术领域，具体涉及一种基于小样本学习的细粒度表情分类方法。

背景技术

人类非常擅长通过极少量的样本识别一个新物体，比如小孩子只需要书中的一些图片就可以认识什么是“斑马”，什么是“犀牛”。在人类的快速学习能力的启发下，研究人员希望机器学习模型在学习了一定类别的大量数据后，对于新的类别，只需要少量的样本就能快速学习，这就是小样本学习要解决的问题。

目前的深度学习大多不能胜任跨领域任务，当模型迁移到另一个任务上时，往往需要大量数据重新训练，这与人们所想象的人工智能相距甚远——在已有的先验知识结构下，通过极少量的样本就能识别一个新物体，即小样本学习。

为了检测小样本学习方法的有效性，通常将其应用到具体的分类任务上，能够在一般的粗粒度数据集上表现良好，但在细粒度数据集上，小样本学习方法表现却欠佳，这是因为细粒度数据集种类差异非常小，给小样本学习带来了巨大的挑战，因此检验小样本学习方法是否有效的一大基准，就是比较其在细粒度数据集上的表现。目前小样本学习方法大致分为三类，第一种是基于模型的Model Based方法，旨在通过模型结构的设计快速在少量样本上更新参数，直接建立输入x和预测值P的映射函数。比如Santoro等人在文献“A.Santoro,S.Bartunov,M.Botvinick,D.Wierstra and T.Lillicrap,One-shotlearning with memory-augmented neural networks,arXiv:1605.06065,2016.”中提出使用记忆增强的方法来解决Few-shot Learning(小样本学习)任务，但是这类方法存在的问题是容易导致过拟合，因为神经网络分类器有数以千万计的参数需要优化，通过数量极少的新类样本来达到快速更新模型参数，则会导致这个问题；第二种是基于度量的MetricBased方法，其基本思想是将每个类别映射到特征空间，然后将测试图片到各个类的表征的距离进行比较，来对测试图片进行分类。其关键之处在于找到一个好的度量方法，去度量特征向量之间的相似度基准，就是比较其在细粒度数据集上的表现。第三种是基于优化的Optimization Based方法，基于梯度的优化算法无法在几步内完成优化，特别是在非凸的问题上，多种超参数的选取无法保证收敛的速度，并且新数据相对原始数据偏差较大时，分类的性能会大大下降。简言之，Optimization Based的小样本学习就是要学会如何在新的分类任务上，对分类器网络(learner)进行初始化和参数更新。这种任务的挑战是模型需要结合之前的经验和当前新任务的少量样本信息，并避免在新数据上过拟合。

发明内容

为了克服现有技术的不足，本发明提供一种基于小样本学习的细粒度表情分类方法。由于之前的小样本学习算法在细粒度数据集上表现并不佳，并且现阶段没有细粒度分类的表情数据集，所以本发明首先在RAF数据集基础上进行手工标注，将每个表情细分，得到细粒度表情数据集，然后，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；最后，利用训练好的网络对测试数据集进行类别预测。

一种基于小样本学习的细粒度表情分类方法，其特征在于步骤如下：

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；