[发明专利]一种基于多角度的小样本图像分类装置和方法

说明书

本发明涉及图像小样本分类技术领域，提供一种基于多角度的小样本图像分类装置和方法，对多平台图像集进行预处理后转化为特征向量，再进行等维度的线性映射，然后进行语义编码，并将语义编码信息加入到正视图、侧视图以及俯视图的中间特征中，并进行处理，获得各样本的自注意力特征矩阵；融合各样本的自注意力特征矩阵，根据预设的图像类别，对样本的融合特征进行分类识别，获得分类结果，分类结果为多平台图像集中的样本属于预设的图像类别的概率值。本发明能够有效地提取出语义信息更加丰富的特征表示，从而提高图像数据分类的效率和准确率，加快图像数据的自动化管理进程，对小样本深度学习具有较强的启发意义。

技术领域

本发明涉及图像小样本分类技术领域，尤其涉及一种基于多角度的小样本图像分类装置和方法。

背景技术

小样本学习是元学习在监督学习领域的应用，其旨在训练计算机从而令计算机有学习某种任务的能力。小样本学习不同于传统的机器学习，其训练的不再是单纯地图像识别能力，而是训练其完成图像分类任务的能力。同样的，有training阶段以及test阶段。区别于传统机器学习的training，在小样本学习中，把该阶段定义为meta-training阶段，同样的，定义小样本学习中的test阶段为meta-testing阶段。在meta-training阶段将数据集分解为不同的meta-task，去学习类别变化的情况下模型的泛化能力，在meta-testing阶段，面对全新的类别，不需要变动已有的模型，就可以完成分类。

小样本学习的训练集中包含了很多的类别，每个类别中有多个样本。在训练阶段，会在训练集中随机抽取N个类别，每个类别K个样本(总共N*K个数据)，构建一个元任务，作为模型的支撑集输入；再从这N个类中剩余的数据中抽取一批样本作为模型的预测对象(查询集)。即要求模型从N*K个数据中学会如何区分这N个类别，这样的任务被称为N-way K-shot问题。

训练过程中，每次训练都会采样得到不同元任务，所以总体来看，训练包含了不同的类别组合，这种机制使得模型学会不同元任务中的共性部分，比如如何提取重要特征及比较样本相似度，忘掉元任务中任务相关部分。通过这种学习机制学到的模型，在面对新的未见过的元任务时，也能较好地进行分类。

目前的小样本学习在图像领域大都在主流的数据集(如mini-imagene)进行实验，其方法并没有涉及面向多平台数据集时的操作。因此，在面对多平台数据集时，小样本深度学习网络欠缺高效提取多平台互补信息的方法。

发明内容

为了克服现有技术的不足，本发明旨在提供一种基于多角度的小样本图像分类装置和方法，以解决现有技术无法有效地提取出多平台互补信息的问题。

为了实现上述目的，本发明采用技术方案如下：

一种基于多角度的小样本图像分类方法，包括以下步骤：

步骤S101：对多平台图像集进行预处理，获得预处理图像集，预处理图像集包括样本的正视图、侧视图以及俯视图；

步骤S102：将正视图、侧视图以及俯视图转化为特征向量，获取正视图、侧视图以及俯视图的初始特征；

步骤S103：将正视图、侧视图以及俯视图的初始特征进行等维度的线性映射，获得正视图、侧视图以及俯视图的中间特征；

步骤S104：利对正视图、侧视图以及俯视图进行语义编码，并将语义编码信息加入到正视图、侧视图以及俯视图的中间特征中，获取正视图、侧视图以及俯视图的深层特征；

步骤S105：对正视图、侧视图以及俯视图的深层特征进行处理，获得各样本的自注意力特征矩阵；

步骤S106：融合各样本的自注意力特征矩阵，获取各样本用于分类的融合特征向量；