[发明专利]一种基于多级度量的小样本图像分类方法

权利要求书

1.一种基于多级度量的小样本图像分类方法，其特征在于，包括：实时获取图像数据，对获取的图像进行预处理；将预处理后的图像输入到训练好的多级度量的小样本图像分类模型中，得到分类结果；

对多级度量的小样本图像分类模型进行训练的过程包括：

S1：获取图像数据，对图像数据进行预处理，生成训练数据集和测试样本集；

S2：采用嵌入模块提取训练数据集中图像的特征向量；

S3：对经过第二层卷积核第三层卷积后得到的特征向量分别进行图像-类的度量，其中采用关系网络进行图像-类的度量；对经过第四层卷积后得到的特征向量进行全连接，并采用原型网络进行图像-图像度量；

S4：分别采用Sigmoid函数和Softmax函数对3个度量结果进行运算获得各自图像分类概率；Sigmoid函数的表达式为：

Softmax函数的公式为：

其中，θ_iq表示图像相似度得分，表示图像从属概率，y_i表示样本标签，k表示类别，x_i表示查询集嵌入向量特征值，d(f_φ(x_i),c_k)表示度量距离，f_φ(x_i)表示查询集嵌入向量，c_k表示类原型；

S5：使用交叉验证法对每一从属概率进行加权融合并获得最终分类结果；加权融合的公式为：

c＝argmax(p)

其中，p^k表示最终图像从属概率，α表示权值，表示图像级度量后所得从属概率，β表示权值，表示第2层卷积后类别级度量所得从属概率，γ表示权值，表示第3层卷积后类别级度量所得从属概率；

S6：根据分类结果计算模型的损失函数，并将测试样本集中的数据输入到模型中，不断调整模型的参数，当模型的损失函数值最小时，完成模型的训练。

2.根据权利要求1所述的一种基于多级度量的小样本图像分类方法，其特征在于，嵌入模块由4层卷积块构成，每个卷积块包括一个卷积层、一个批量归一化层、一个ReLU线性激活层及一个2×2最大池化层；在该模块中每个卷积块参数相同，采用64通道的3×3卷积核，步长为1，填充为0。

3.根据权利要求1所述的一种基于多级度量的小样本图像分类方法，其特征在于，关系网络包括深度局部描述符连接以及度量学习网络；

所述深度局部描述符连接包括支持集和查询集中的图像在经过嵌入模块计算后分别生成大小为c×h×w的特征图Fi与Q；对支持集图像和查询集图像进行深度局部描述符连接，通过ψ(·)生成一个深度局部描述符连接空间L；

所述度量学习网络包括：5个卷积块、3个2×2最大池化层和1个全连接层组成，卷积块的组成与参数设置同嵌入模块；该模块对数据进行处理的过程包括：对深度局部描述符连接空间进行进一步的特征映射，提取图像的类间局部不变特征，学习一种类间度量方式，最后对每个连接空间生成一个相似度得分，将得分相同的图像划分为同一类。

4.根据权利要求1所述的一种基于多级度量的小样本图像分类方法，其特征在于，原型网络的图像级度量包括：在数据集所有类别中随机选择K个类别、每个类别随机选择m个样本作为支持集样本N_i，其余样本作为查询集样本N_q；通过嵌入模块将支持集样本N_i非线性映射到嵌入空间，并计算第k类样本的特征向量均值，获取第k类的类原型c_k；通过图像-图像度量模块得到查询集N_q中样本的嵌入向量到每个类原型的距离度量。

5.根据权利要求4所述的一种基于多级度量的小样本图像分类方法，其特征在于，样本的嵌入向量到每个类原型的距离度量为样本空间中两个点的欧式距离、曼哈顿距离和切比雪夫距离值之和的平均值。