[发明专利]一种结合对比学习的少样本图像识别方法

权利要求书

1.一种结合对比学习的少样本图像识别方法，其特征在于：包括以下步骤：

S1.给定标注的数据集和未标注的数据集，将所述标注的数据集按类别划分为基础类数据集和少样本类数据集；

S2.通过所述的未标注的数据集和基础类数据集训练MOCO模型，得到受预训练的MOCO模型；

S3.通过对比学习框架对所述受预训练的MOCO模型进行进一步微调训练；

S4.通过所述MOCO模型对所述的少样本类数据集中的目标进行分类识别。

2.根据权利要求1所述的结合对比学习的少样本图像识别方法，其特征在于：S1中所述的基础类数据集和少样本类数据集不相交，即其中C_base为基础类数据集，C_novel为少样本类数据集，每个所述的少样本类数据有n个训练样本，n＜10。

3.根据权利要求1所述的结合对比学习的少样本图像识别方法，其特征在于：步骤S2中，所述MOCO模型为自监督模型，包括编码器模块、多层感知机模块、队列模块；所述的编码器模块对图像数据对应的张量进行处理，以获取特征矩阵等数据，并构建无监督学习字典数据中的“键”以检索对应数据；所述的多层感知模块用于获取图像特征；所述的队列模块通过设立队列规则，完成对字典数据的存储与维护。

4.根据权利要求4所述的结合对比学习的少样本图像识别方法，其特征在于：步骤S2，具体包括以下步骤：

S201.采集所述未标注的数据集中的图像Img；

S202.在所述编码器模块中定义编码器为编码器f，对应的参数为ω；

S203.对图像Img用编码器编码：

E＝f(Img)，

其中，E∈Rⁿ；

S204.得到编码后，通过一个所述的多层感知机的投影层MLP：

E′＝MLP(E)；

S205.所述的队列模块通过将每轮训练得到的E′在本轮训练后加入一个队列，以“先入先出”的规则进行维护，保证该队列实时性，并在每轮训练时以该队列中保存的编码作为负样本进行训练。

5.根据权利要求1所述的结合对比学习的少样本图像识别方法，其特征在于：步骤S3，具体包括以下步骤：

S301.利用对比学习来扩充少样本类数据集中的目标；

S302.将得到扩充后目标的第一编码通过多层感知机投影层MLP映射得到第二编码，并构造正样本类和负样本类；

S303.将所述的负样本类和正样本类代入对比损失函数，并通过所述的对比损失函数进一步调节所述的少样本类模型；

S304.通过分类器对扩充后的目标进行分类识别；

S305.将分类识别的结果代入分类损失函数，进一步调节所述的受预训练的MOCO模型。

6.根据权利要求6所述的结合对比学习的少样本图像识别方法，其特征在于：步骤S301，具体步骤为：对于每个类别c∈C_base∪C_novel，随机采样两张图像Img₁，Img₂，并通过数据增强对两张图像分别进行增广，得到四张属于类别c的图像两两进行配对得到6组对比学习中用于监督的正样本对。