[发明专利]一种小样本图像分类方法及系统

说明书

本发明提供了一种小样本图像分类方法及系统，属于计算机视觉领域，方法包括：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，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；训练深度残差收缩网络时，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，获取新类的特征向量；本发明可以提取出更具判别性的特征，提高了分类的准确性。

技术领域

本发明属于计算机视觉领域，更具体地，涉及一种小样本图像分类方法及系统。

背景技术

深度学习依赖于大数据，在大数据的驱动下，神经网络能够进行有效学习。而现实生活中常常面临“小样本”问题，特定目标在较长时间内甚至面临“单样本”、“零样本”的情况，这些仅有局部特征的小样本数据，无法满足传统有监督的深度学习技术训练数据量级的要求。

目前主流的深度学习算法在进行图像特征提取时普遍存在两个问题：一方面由于样本数量的限制，直接利用卷积神经网络对图像进行特征提取，无法获得最为有效的特征进行图像分类；另一方面，由于小样本数据分布不均匀，极端的数据分布会导致特征距离度量出现偏差，分类结果出错，降低分类的正确率。因此，如何针对小样本图像进行有效地特征提取是一项重要且具有挑战性的技术难题。

发明内容

针对现有技术的缺陷，本发明的目的在于提供一种小样本图像分类方法及系统，旨在解决现有的深度学习算法在进行图像特征提取时，无法获得有效的特征进行图像分类的问题，以及由于小样本数据分布不均匀，导致分类结果出错的问题。

为实现上述目的，本发明提供了一种小样本图像分类方法，包括如下步骤：

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，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；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。

优选地，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。

优选地，训练深度残差收缩网络的方法为：

基于mini-ImageNet数据集，使用交叉熵分类损失函数对深度残差收缩网络进行训练；其中，mini-ImageNet数据集为已知图像分类的数据集；

优选地，筛选与新类特征向量距离最近的若干个基类的方法为：

基于基类中各类特征向量的均值和新类的特征向量，计算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。

优选地，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：