[发明专利]一种基于渐进式成长元学习的图像分类方法

说明书

本发明属于计算机视觉图像识别技术领域，具体为一种基于渐进式成长元学习的图像分类方法。本发明方法包括：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；图像分类模型的核心功能模块是卷积神经网络；在输入端对图像进行预处理，使样本满足模型输入条件，包括构建元任务；将得到的样本训练构建的图像分类模型，并进行特征提取，然后进行分类识别；仿真结果表明，渐进式成长元学习模型能克服样本数据不足，具有强大的泛化能力，能快速适应并识别新的图像类别。

技术领域

本发明属于计算机视觉图像识别技术领域，具体涉及一种基于渐进式成长元学习的图像分类方法。

背景技术

图像分类是目前研究的热点，其在许多领域都有广泛的应用。近年来深度学习以及在图像分类领域取得较大进展。深度学习需要强大的硬件计算能力、大量的训练数据和较深的网络层数提取数据，这既是它发挥优势的关键所在，同时又是限制它使用范围的因素。实际情况中难以获取足够多的数据样本来训练深度学习模型，大量的计算又会增加时间成本以及深度学习模型不具有良好的泛化能力来快速适应新类别的分类，这些都是急需解决的难题。

元学习算法具有强大的泛化能力，能够利用有限的先验知识，实现在新任务上的快速泛化。本发明将元学习算法应用于图像分类，可以训练数据样本少，耗时长，泛化能力差等问题。仿真结果表明，该方法与装置在图像分类中取得较好效果，并且具有强大的泛化能力，能快速适应并识别新的图像类别。

发明内容

本发明的目的在于提出一种网络识别效率高、计算速度快的基于渐进式成长元学习的图像分类方法。

本发明提供的基于渐进式成长元学习的图像分类方法，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是基于渐进式成长元学习的，其核心功能模块是卷积神经网络CNN，用来对图像进行特征提取；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，为了体现元学习能利用少量数据实现快速分类的特点，N,和K的选取值一般较小例如N=5,k=1，同时为了体现元学习泛化能力强的特点，M的选取一般较大，例如M=32。

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；

本发明构建的渐进式成长元学习图像分类模型，随着训练轮次epoch的增加，元批次的数目NB 也增加，NB= 10*epoch，可以较大提升模型训练速度；

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；