[发明专利]一种基于转导式推理的均衡小样本任务分类方法

权利要求书

1.一种基于转导式推理的均衡小样本任务分类方法，其特征在于，包括以下步骤：

S1、选取数据集和分类网络，采用二阶段训练方法训练分类网络；

S2、利用步骤S1中训练好的分类网络提取小样本任务中的图片特征；

S3、对步骤S2提取的特征之间的相似矩阵进行更新，包括以下分步骤：

S31、定义相似矩阵A和相似矩阵B，A和B内的元素a_ij和b_ij定义如下：

a_ij＝d(x_i，x_j)x_i∈S，x_j∈Q

b_ij＝d(x_i，x_j)x_i∈Q，x_j∈Q

其中d(·)为一种比较相似性的函数，S为支撑集，Q为询问集；

S32、对相似矩阵A和相似矩阵B执行归一化操作；

S33、对相似矩阵A进行更新，更新方法如下：

其中AB为矩阵乘法，α为调整偏好的超参数，为归一化函数；

S4、判断步骤S3中更新后的相似矩阵是否符合预设要求，若是，执行步骤S5，否则返回步骤S3；

S5、利用步骤S3中更新好的相似矩阵调整支撑集输出的原型特征，并生成新的相似矩阵；

S6、判断步骤S5中生成的新的相似矩阵是否符合预设要求，若是，执行步骤S7，否则返回步骤S3；

S7、利用步骤S5生成的相似矩阵进行均衡小样本任务分类。

2.如权利要求1所述的一种基于转导式推理的均衡小样本任务分类方法，其特征在于，所述步骤S1包括以下分步骤：

S11、选取基准数据集，将其划分为训练集、验证集和测试集，将训练集作为基类数据集，测试集作为新类数据集；

S12、对深度残差网络进行调整，得到18层的残差网络ResNet-18，将其作为分类网络；

S13、采用交叉熵作为损失函数，在基类数据集上对分类网络进行训练；

S14、将步骤S13训练后的分类网络的全连接层去掉并固定其余网络层的参数，得到训练好的分类网络。

3.如权利要求2所述的一种基于转导式推理的均衡小样本任务分类方法，其特征在于，所述步骤S2具体包括：

利用训练好的分类网络对新类数据中的图片进行特征提取，并对支撑集S和询问集Q重新进行定义：

S←{f_θ(x)|x∈S`}

Q←{f_θ(x)|x∈Q`}

其中S为支撑集，Q为询问集，x为新类数据中的图片，f_θ(·)为训练好的分类网络，S`为图片支撑集，S`中的元素为新类数据中的图片，Q`为图片询问集，Q`中的元素为新类数据中的图片。

4.如权利要求1所述的一种基于转导式推理的均衡小样本任务分类方法，其特征在于，所述步骤S4具体包括：

利用所述步骤S33更新后的相似矩阵A进行小样本任务分类，若连续多次迭代的分类结果保持不变或此处判断次数已到上限，执行步骤S4，否则返回步骤S33。