[发明专利]一种基于渐进式成长元学习的图像分类方法

权利要求书

1.一种基于渐进式成长元学习的图像分类方法，其特征在于，具体步骤如下：

S1、设计渐进式成长元学习图像分类模型，用于提取图像特征和图像分类；

这里，设计的图像分类模型的核心功能模块是卷积神经网络，所述卷积神经网络CNN由四个完全相同卷积模块级连构成且参数设置完全相同，每个卷积模块有三层，第一层是卷积层，卷积核数为64，卷积核尺寸为3×3，步长为1，第二层是批量归一化层，用来归一化数据以便于处理，并用Relu激活函数处理归一化后的数据，第三层是池化层，采用最大池化，池化窗口尺寸为2×2，步长为2，在第一个卷积模块完成特征提取后，将特征传递至第二个卷积模块，依次类推至第四层完成最终特征提取并利用Flatten层对特征进行维度转换；采用adam优化器，用来最小化交叉熵损失函数；

S2、在输入端对图像进行预处理，使样本满足模型输入条件；包括以下子步骤：

S21、首先将数据集化分为训练集和测试集，二者图像类别互斥；再将训练集和测试集都进行数据划分，分为支持集和查询集，支持集与查询集图像类别相同，但同类别的图像样本互斥；

S22、构建元任务，在支持集中随机抽取N个类别，在这N个类别中再随机抽取K个样本；同理，在查询集的对应N个类别中各随机抽取1个样本，组合起来构成一个元任务；训练集与测试集按照这种方式进行元任务构建，进一步随机从这些元任务中抽取一定数量M个元任务构建元批次，用于训练模型；

S3、将步骤S2得到的样本训练步骤S1中构建的图像分类模型，并进行特征提取，然后进行分类识别；

在训练过程中，采用卷积神经网络CNN作为特征提取模块，从支持集样本中提取特征，该特征代表类别特征，同时该特征提取模块从查询集样本中提取特征；然后计算查询集特征与类别特征的距离，再经过模型的分类层softmax，由计算公式：计算出样本属于各类别的概率分布，依据最大概率判断查询样本类别归属；

选用交叉熵损失函数，采用adam优化器最小化损失函数，更新卷积神经网络参数，每轮训练完成后，用测试集测试网络性能并进行微调。

2.基于权利要求1所述图像分类方法的图像分类装置，其特征在于，包括以下模块：

图像预处理模块，用于将数据图像转换为满足模型输入条件的图像样本；

图像分类模块，用于对预处理后的图像样本进行特征提取，进行图像分类。

3.基于权利要求2所述图像分类方法的图像分类装置，其特征在于，

所述图像预处理模块包括以下子模块：

图像划分子模块，用于对输入图像数据集进行元任务划分，构建元批次；

图像处理子模块，用于对构建好的图像数据进行尺寸转换，满足模型输入条件；

所述图像分类模块包括以下子模块：

图像特征提取子模块，用于提取图像的特征向量；

图像类别判断子模块，用于计算待识别图像特征的类别概率分布并进行类别归属判断。