[发明专利]一种结合对比学习的少样本图像识别方法

说明书

本发明公开了一种结合对比学习的少样本图像识别方法，涉及机器学习技术领域，用的技术方案如下：一种结合对比学习的少样本图像识别方法，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，解决了现有技术对少样本数据识别效果差，预处理工作成本过高等问题，提出提供了一种结合对比学习的少样本图像识别方法，其具有简单实用，精度高，成本低的特点。

技术领域

本发明涉及机器学习技术领域，更具体的，涉及一种结合对比学习的少样本 图像识别方法。

背景技术

早期机器学习在数据量充足的应用场景中取得了诸多成果，但在数据匮乏的 任务中往往无法达到预期效果。小样本学习这一深度学习启发于人类对于世界和 事物的认知方式，研究发现通常利用先验知识，可以对未知的新任务快速获取准 确结论。小样本学习方法通过将经验中可用的监督信息与一些先验知识相结合来 使任务的学习变得可行。为了能够模仿这一高效的学习方式，研究人员在小样本 学习领域陆续提出诸多高效实用效果显著的深度学习模型。现有典型方法主要为 有监督学习的方式，依据数据、模型、算法几方面大致可分如下类别：使用先验 知识数据来作为监督条件如元学习方法，使用先验知识数据来做比较和约束如度 量学习方法，以及生成模型，多任务结合方法等。此外也存在从数据入手提升整 体效果的方法，如从训练集、无标签数据、相似任务数据中获取更多样本。

经典方法依赖于深度卷积网络需要大量的训练样本，即使是上述小样本学习 算法，可以在基本类别上进行训练后学习新的类别，也存在主要集中在单一任务 场景，而不是更一般的多标签场景或不同任务的迁移应用，如有中国专利公开了 一种基于对比学习的自监督图像分类方法，通过对视图进行特征提取，无监督对 比计算损失,得到无监督分类模型，并对无标签数据中部分进行人工标注，作为 训练验证集；然后作为预训练模型，根据训练验证集进行微调；然而现有的方法 或存在对预训练、预处理的较高工作量要求，或是生成模型方法难以推导，有较 高运算成本等问题，没有很好的发挥对于先验知识高效利用的能力。在多任务组 合时，可以使用新加入的任务对原有结果添加约束，但需要重新执行模型训练的 过程，有额外的时间成本。数据复杂或任务复杂时，对于训练任务容易出现过拟 合情况。加入度量学习的方法多使用嵌入空间，一定程度上可以解决过拟合问题。 但需要先验知识获取的任务情景与小样本任务一致，当测试集与训练集偏差过大 时往往效果不佳，因此基本只用于监督学习，对数据分布有一定的要求。

发明内容

本发明为了解决现有技术对少样本数据识别效果差，预处理工作成本过高等 问题，提供了一种结合对比学习的少样本图像识别方法，其具有简单实用，精度 高，成本低的特点。

为实现上述本发明目的，采用的技术方案如下：

一种结合对比学习的少样本图像识别方法，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。 优选的，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，n10。