[发明专利]一种基于图神经网络的小样本图像分类方法

说明书

本发明公开了一种基于图神经网络的小样本图像分类方法。本发明对基于图神经网络的EGNN算法进行改进优化，提出一种小样本图像分类方法。本发明方法主要由任务适应特征提取模块TAB、原型图神经网络模块和特征融合度量模块组成。本发明首先提出一种任务适应特征提取模型进行查询图像的特征提取，通过利用支持图像特征学习预测一组参数作用于查询图像特征图，调整查询图像不同特征的贡献，使其更能适应小样本的分类任务。同时在原网络上引入原型节点表示、特征融合度量模块，分别用于降低图节点规模和提升分类准确率。

技术领域

本发明涉及深度学习中的小样本图像识别领域，具体涉及小样本条件下的图像分类技术。

背景技术

众所周知，深度学习的成功高度依赖于大量标记的数据，以此来训练精度较高的网络模型。尽管在图像领域已经拥有许多大型公开数据集，例如CIFAR、ImageNet等数据集都包含了上千万张的图像。但是在一些特殊的领域，标记的数据很少且难以收集，因此深度学习对大数据的依赖阻碍了深度学习的发展。这使得人们不得不考虑采用其他方法去解决样本不足的问题。相比深度学习，人类在观察一个或多个实例就具有识别新物体的能力。基于人类能够快速学习的启发，小样本学习的概念被提出。但是，虽然近几年在小样本学习领域提出了许多经典且较为优秀的网络和方法，小样本学习的网络精度依然亟待提高，才能解决长期以来深度学习的数据依赖问题。

近年来，图神经网络被较多的研究学者关注，在小样本图像分类上也表现出一定潜力。因此本发明基于图神经网络的小样本分类算法，提出任务适应的特征提取网络，设计融合度量模块和加入阈值参数的损失函数。

发明内容

为了解决小样本条件下的图像分类问题，本发明提出了一种基于边标记图神经网络算法EGNN改进的小样本图像分类技术。本技术针对特征提取的问题，提出任务适应的特征提取网络，通过支持集图像预测一组参数作用于查询图像的最后一层特征图，使其分布与同类别支持图像更接近。同时针对EGNN图节点规模问题，引入类原型向量作为图的节点表示。此外针对节点之间的相似性度量，设计融合度量模块和加入阈值参数的损失函数。

本发明所采用的技术方案是：

步骤1：输入待分类图像作为查询集图像和少量几张包含目标的图像作为支持集图像；

步骤2：通过共享特征提取网络对支持集图像和查询集图像进行特征提取生成特征图；

步骤3：将支持集的特征图送入参数预测网络中对每个类别分别预测一组参数α和β，结合参数α和β对查询图像特征图进行加权和偏置计算；

步骤4：生成查询集的原型向量和支持集的原型向量作为图的初始化节点构建GNN网络；

步骤5：GNN的图节点和边节点迭代更新中，采用融合特征度量模块进行节点相似性的度量，最终输出查询节点的类别概率。

与现有技术相比，本发明的有益效果是：

(1)改进对相似样本的分类能力，增强模型的泛化能力；

(2)对于样本不足的小样本图像分类，能更好的进行分类。

附图表说明

图1为：ResNet12网络结构。

图2为：本发明设计的任务适应特征提取模块TAB结构图。

图3为：本发明设计的原型图神经网络结构。

图4为：本发明设计的特征融合方式。

图5为：本发明的特征融合模块网络结构。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面结合实施方式和附图，对本发明作进一步地详细描述。