[发明专利]一种基于标签重分配的小样本图像分类方法及系统

权利要求书

1.一种基于标签重分配的小样本图像分类方法，其特征在于，包括：

获取小样本数据集，并将其划分为基类数据集与新类数据集，在基类数据集上预训练网络模型，在新类数据集上构建包含支撑集样本和查询集样本的小样本任务，所述网络模型包括特征提取器及分类器；

小样本数据集采用mini-ImageNet数据集，支撑集包含5个类别，每个类别仅包含1个有标签的样本，查询集的类别与支撑集相同，每类含有15个无标签的样本；

利用预训练网络模型提取支撑集样本和查询集样本的特征，对提取的查询集样本特征进行聚簇，使用标签重分配方法为簇里的查询集样本重新分配标签；

输出查询集样本的标签；

所述使用标签重分配方法为簇里的查询集样本重新分配标签，包括如下：

获得支撑集类中心；

获得簇信息矩阵；

获得余弦预测矩阵；

获取簇中心预测标签，并为查询集样本分类；

所述获取簇中心预测标签，并为查询集样本分类，具体为：

将簇信息矩阵和余弦预测矩阵对簇的预测标签的影响进行相乘得到矩阵H；

簇信息矩阵的每一个元素D_i,j表示簇中心v_i与类中心w_j之间的余弦相似度；

所述余弦预测矩阵的每一个元素P_i,j表示簇中心v_i的所有样本按余弦相似度分类，有P_i,j份的样本会被预测为第j个类别；

矩阵H的计算方式为：

H＝(1+D)⊙(1+P)

矩阵H中的每一个元素H_ij表示的意义为簇i被预测为类别j的概率，为了让簇中心的预测标签与类中心的标签能够一一对应，将簇中心的预测问题转化成数学上的指派问题，对下式进行求解：

求得到的标签c即为簇中心v_r的预测标签，将给簇r的所有样本的标签重新分配为类标签c即可。

2.根据权利要求1所述的小样本图像分类方法，其特征在于，所述支撑集类中心是该类所有样本特征的平均值，反映该类样本特征的平均分布位置。

3.根据权利要求1所述的小样本图像分类方法，其特征在于，支撑集和查询集的类别相同但是样本不同。

4.一种实现权利要求1所述的小样本图像分类方法的系统，其特征在于，包括

数据预处理模块，用于获取小样本数据集，将其划分为基类数据集与新类数据集，并在新类数据集上构建包含支撑集样本和查询集样本的小样本任务；

网络预训练模块，用于构建网络模型，在基类数据集上预训练网络模型，保存网络模型中特征提取器的参数；

特征提取模块，利用特征提取器提取支撑集样本和查询集样本的特征；

聚簇模块，用于对查询集的样本特征进行聚簇；

标签重分配模块，用于使用标签重分配方法为簇里的查询集样本分配标签；

输出模块，用于输出查询集样本的标签。

5.根据权利要求4所述的系统，其特征在于，所述预训练网络模型为深度神经网络模型。