[发明专利]一种小样本图像分类方法及系统

权利要求书

1.一种小样本图像分类方法，其特征在于，包括以下步骤：

将小样本图像输入至深度残差收缩网络中，获取小样本图像的特征向量；根据所述小样本图像的特征向量对小样本图像进行分类；

其中，训练深度残差收缩网络的过程为：

将基类输入至深度残差收缩网络中进行表征学习阶段的特征提取，获取基类的特征向量；同时将新类输入至深度残差收缩网络中进行小样本学习阶段的特征提取，获取新类的特征向量；

计算所述基类和新类的特征向量之间的距离集合，筛选出与新类特征向量距离最近的若干个基类的特征向量；

训练深度残差收缩网络时，采用筛选出的若干所述基类的特征向量对新类的特征向量进行校准，完成对深度残差收缩网络的训练；

其中，所述新类包括支持集和查询集；所述支持集由在已知标定真值的若干类图像中选取若干样本获取；所述查询集为未知分类的图像集合；所述深度残差收缩网络为深度残差网络、注意力机制和软阈值函数集成的网络；所述注意力机制用于辅助深度残差网络提取具有判别性的图像特征；所述软阈值函数用于小样本图像、新类和基类的特征向量筛选，获取满足阈值条件的特征向量。

2.根据权利要求1所述的小样本图像分类方法，其特征在于，所述软阈值函数为：

其中，x表示特征向量；y为软阈值函数值；τ为阈值。

3.根据权利要求2所述的小样本图像分类方法，其特征在于，筛选与新类特征向量距离最近的若干个基类的方法为：

基于所述基类中各类特征向量的均值和新类的特征向量，计算所述基类各类与新类之间的距离集合；

从距离集合中挑选基类特征向量与新类特征向量距离最近的若干个基类，构成与新类最相似的若干个基类。

4.根据权利要求3所述的小样本图像分类方法，其特征在于，采用筛选出的若干基类的特征向量对新类的特征向量进行校准的表达式为：

其中，μ_i表示基类中第i类特征向量的均值；Σ_i为基类中第i类的特征向量的协方差；和表示新类具有高斯分布的特征向量的均值和方差；S_k表示距离集合中距离最近的k个基类；μ′和Σ′分别为新类的特征向量的均值和方差。

5.一种小样本图像分类系统，其特征在于，包括：网络构建模块、迁移学习模块、数据校准模块和分类模块；

网络构建模块用于在深度残差网络的基础上，结合注意力机制SENet和软阈值函数，构建深度残差收缩网络；且用于将小样本图像输入至深度残差收缩网络中，获取小样本图像的特征向量；

迁移学习模块用于将基类输入至深度残差收缩网络中进行表征学习阶段的特征提取，获取基类的特征向量；同时将新类输入至深度残差收缩网络中进行小样本学习阶段的特征提取，获取新类的特征向量；

数据校准模块，用于计算所述基类和新类的特征向量之间的距离集合，筛选出与新类特征向量距离最近的若干个基类的特征向量；采用筛选出的若干所述基类的特征向量对新类的特征向量进行校准，完成对深度残差收缩网络的训练；

分类模块，用于根据所述小样本图像的特征向量对小样本图像进行分类；

其中，新类包括支持集和查询集；支持集由在已知标定真值的若干类图像中选取若干样本获取；所述查询集为未知分类的图像集合；所述深度残差收缩网络为深度残差网络、注意力机制和软阈值函数集成的网络；所述注意力机制用于辅助深度残差网络注意图像特征；所述软阈值函数用于小样本图像、新类和基类的特征向量筛选，获取满足阈值条件的特征向量。

6.根据权利要求5所述的小样本图像分类系统，其特征在于，所述软阈值函数为：

其中，x表示特征向量；y为软阈值函数值；τ为阈值。

7.根据权利要求6所述的小样本图像分类系统，其特征在于，筛选与新类特征向量距离最近的若干个基类的方法为：

基于所述基类中各类特征向量的均值和新类的特征向量，计算所述基类各类与新类之间的距离集合；

从距离集合中挑选基类特征向量与新类特征向量距离最近的若干个基类，构成与新类最相似的若干个基类。

8.根据权利要求7所述的小样本图像分类系统，其特征在于，采用筛选出的若干基类的特征向量对新类的特征向量进行校准的表达式为：

其中，μ_i表示基类中第i类特征向量的均值；Σ_i为基类中第i类的特征向量的协方差；和表示新类具有高斯分布的特征向量的均值和方差；S_k表示距离集合中距离最近的k个基类；μ′和Σ′分别为新类的特征向量的均值和方差。