[发明专利]多决策融合的小样本图像分类方法

说明书

本发明公开了一种多决策融合的小样本图像分类方法，属于模式识别技术领域，通过综合考虑多个分类器的决策，从而提高模型的有效性和鲁棒性。该方法是一种简单的非参数方法，能够有效解决训练数据有限时，不能很好地适应新的类别的问题，同时可以解决新数据的嵌入可能导致分布移位的问题，较大幅度的提高小样本图像分类的分类性能。

技术领域

本发明涉及模式识别技术领域，特别涉及一种多决策融合的小样本图像分类方法。

背景技术

近年来，深度学习作为一种强大的工具，已经帮助机器在各种视觉任务中达到甚至超过人类的水平，其中一个不可缺少的因素是大规模标记数据，但是由于实际情况的限制，在现实世界中收集大量的标注数据可能是不行的，因此，在标记样本稀缺的情况下解决这一问题的小样本学习越来越受到人们的关注。目前流行的小样本学习模型通常包括两个部分：预训练部分：使用基础数据生成一个基于神经网络的特征提取模型；测试阶段部分：首先提取测试数据的嵌入特征，然后设计一个分类器来识别查询样本。

目前，主要的小样本图像分类方法有以下几种：

(1)基于数据的小样本图像分类方法：基于数据的小样本学习利用先验知识来增强训练集，增加样本的数量从I到I',其中I'＞＞I。标准的机器学习模型和算法可以用于增强的数据，并可以获得更精确的经验风险最小化算法。2017年Tsai和Salakhutdinov等人从一个辅助文本语料库中提取聚合权值，由于这些样本可能不是来自目标小样本学习的类，因此直接将聚合的样本扩展到训练集可能会产生误导，因此，在2018年Gao等人使用生成对抗网络，用来从一个数据集生成新的样本，它有两个生成器，一个将小概率类的样本映射到大概率类，另一个将大概率类的样本映射到小概率类，以弥补生成对抗网络训练中样本的不足。但是由于小样本学习训练数据过少，极大地限制了生成对抗网络训练的效果。

(2)基于算法的小样本图像分类方法：基于算法的小样本图像分类方法主要是改进现有的参数需要进行预训练并逐渐适应训练集，预训练可以通过微调实现。2018年Arik等人提出提前停止,它需要从训练集中分离一个验证集来监视培训过程，当验证集没有性能改进时，学习就停止了；2018年Keshari等人提出有选择的更新一部分参数，对于给定一组预先训练好的滤波器，它只学习一个与滤波器相乘的强度参数；2018年Yoo等人提出同时更新相关联的多个参数；2016年Wang等人使用模型回归网络捕获了任务无关的转换，该转换将通过对少数样本的训练得到的参数值映射到将通过对大量样本的训练得到的参数值，除此之外，也可以使用新参数微调现有参数。但是由于神经网络中有大量的参数需要优化，在微调时样本数量不足很容易导致模型过拟合，影响最终的分类性能。

(3)基于优化的小样本图像分类方法：基于优化的小样本学习主要是使用2017年Finn等人提出的MAML以及其改进方法，MAML在试图利用随机策略的反向传播估计二阶导数时遇到了很大的困难；2019年Song等人提出了一个基于进化策略一个新框架ES-MAML，避免二阶导数估计问题的算法，并且可以处理新型的非平滑自适应算子；2019年Jiang等人对MAML进行了改进，采用两阶段的训练和fine-tune进行优化，大大提升了训练速度。如果监督信息丰富，可以通过梯度下降法进行学习并进行交叉验证，但是小样本学习的样本数量少不足以支撑这种方法。

发明内容

为了解决现有技术的小样本图像分类方法在图像分类过程中存在的问题，本发明实施例提供一种多决策融合的小样本图像分类方法，通过综合考虑多个分类器的决策，从而提高模型的有效性和鲁棒性，有效解决训练数据有限时，不能很好地适应新的类别的问题，较大幅度的提高小样本图像分类的分类性能。所述技术方案如下：

本发明提供了一种多决策融合的小样本图像分类方法包括：

使用训练数据训练卷积神经网络来提取图像特征，训练好后固定网络参数；

通过直接优化分类器目标函数得到分类器，利用预测公式预测测试样本的类别，其中，所述分类器目标函数为：