[发明专利]一种基于关系网络的少样本图像分类方法

说明书

本发明公开了一种基于关系网络的少样本图像分类方法，包括：(1)神经网络模型前向推导查询图像和支持图像的局部视觉特征表示；(2)构建双向附属关系网络挖掘查询图像和支持图像集中的局部特征的深层关联性；(3)根据关系网络的图网络中心性进行查询图像的分类概率预测；(4)使用带有标签的图像数据集进行少样本任务划分后训练神经网络模型(5)根据与支持图像集中各类之间的分类概率进行排序，选取最大分类概率的类作为该图像的类预测。利用本发明，可以使得少样本图像分类在训练过程中的局部特征的关联性得到充分挖掘，使得分类的结果更加准确。

技术领域

本发明属于图像分类技术领域，尤其是涉及一种基于关系网络的少样本图像分类方法。

背景技术

近年来，目标分类作为计算机视觉领域中一个重要的分支，受到广大来自工业界和学术界研究者的关注。受益于深度学习技术的快速发展，有监督的目标分类任务取得了很大的进展，但同时，这种监督条件下的训练方法存在一些限制，即在有监督分类中，每个类都需要足够的带有标签的训练样本。然而，在实际应用中，每个类可能没有足够的训练样本，标注图片数据需要一定的专业知识且往往会花费大量的人力。

少样本图像分类的目标是学习一种关于图像分类机器学习模型，使得其在学习了一定类别的大量数据的图像分类任务后，对于新的图像类别，只需要少量的样本就能进行快速分类的方法。少样本图像分类方法已经成为机器学习领域中一个快速发展的方向，并已经在医学影像、卫星图片和一些稀有物种的分类问题上获得一定成果。

目前最新进展的少样本图像分类方法，不再用一个单一的特征向量对整张图像进行全局的特征表示，而是学习基于局部特征符的特征表示，这种特征表示尽可能地保留了各个局部信息。该推导方法的流程为：输入一张图像，模型在第一阶段推导出图像多个局部特征向量，用一个局部特征向量集合来表示；在第二阶段使用各种基于度量学习的方法来衡量查询图像和由少量样本所组成的支持图像之间的距离。例如，2019年收录于国际计算机视觉与模式识别会议(The Conference on Computer Vision and PatternRecognition)上的文章《Revisiting Local Descriptor based Image-to-Class Measurefor Few-shot Learning》提出的DN4模型，使用一种基于朴素贝叶斯最近邻的度量方法来聚合查询图像各个局部特征表示的与支持图像集的相似度度量值。2019年国际计算机视觉与模式识别会议(The Conference on Computer Vision and Pattern Recognition)上收录的《Dense classification and implanting for few-shot learning》提出了一种稠密分类的方法，对于图像各个局部特征表示进行分类预测并将它们的预测值进行平均得到整个图像的分类预测结果。2020年国际计算机视觉与模式识别会议(The Conference onComputer Vision and Pattern Recognition)上收录的《DeepEMD:Few-Shot ImageClassification with Differentiable Earth Mover’s Distance》文章提出将图像拆分成多个图块，引入一种推土机距离作为图块间的距离度量方法，计算查询图像和支持图像的各个图块之间的最佳匹配代价来表示两者之间的相似度。