[发明专利]一种基于间隔监督对比损失的小样本图像分类方法

权利要求书

1.一种基于间隔监督对比损失的小样本图像分类方法，其特征在于，包括以下步骤：

步骤1：对于给定的数据集D，确定待处理的基类数据集D_base和新类数据集D_novel；其中x_i表示第i个基类图像样本，y_i表示其对应的标签；在D_novel上构建N-way-K-shot分类任务，每个分类任务由支持样本集和查询样本集组成，其中x_s表示第s个支持样本，y_s表示对应的标签，x_q表示第q个查询样本；

步骤2：从基类数据集D_base中随机抽取M个图像样本，使用图像增强技术将其扩充为2M个样本，然后将其输入到参数为α的编码器E_α(·)和参数为β的投影器P_β(·)中，得到由2M个数据特征组成的集合假定集合中任意数据为锚点，并将其作为正例样本，将集合A(i)中与该锚点标签的所有样本视为正例样本，构建正例样本集合P(i)，而集合A(i)中的所有剩余样本为负例样本，构建负例样本集合N(i)；

步骤3：计算关于正例样本集合P(i)与负例样本集合N(i)之间的间隔监督对比损失，计算该损失函数关于参数的梯度，并利用梯度下降算法对编码器E_α(·)中参数α和投影器P_β(·)中参数β进行优化；

步骤4，将步骤3中预训练好的编码器E_α(·)作为特征提取器，对新类数据集中的支持图像样本提取特征，并对SVM进行训练；

步骤5：将步骤3中预训练好的编码器E_α(·)作为特征提取器，对新类数据集中的查询图像样本提取特征，利用训练好的SVM进行测试。

2.根据权利要求1所述的一种基于间隔监督对比损失的小样本图像分类方法，其特征在于，所述步骤1的具体步骤如下：

S11：对于给定的数据集D，将其分割为三个子集，即训练集D_train，验证集D_val和测试集D_test，每个子集中的分类类别不相同，即：D_train∪D_val∪D_test＝D；

S12：将训练集D_train作为基类数据集D_base，测试集D_test作为新类数据集D_novel；在D_novel数据集中随机抽取N个类别，每个类别中随机抽取K个样本，得到支持样本集再在N个类别中的剩余数据中抽取一批样本得到查询样本集

3.根据权利要求1所述的一种基于间隔监督对比损失的小样本图像分类方法，其特征在于，所述步骤2的具体步骤如下：

S21：从D_train抽取M个图像样本作为训练的批图像样本集D_M，对于其中的第i个基类图像样本x_i，利用增强技术对其增强得到并将其添加到批图像样本集中；

S22：将数据集D_M中的每个图像样本输入到编码器E_α(·)和投影器P_β(·)得到相应的d维特征向量，这里编码器E_α(·)为ResNet12，投影器P_β(·)为只有一层隐含层的多层感知器；

则第i个基类图像样本x_i的特征表示为：

u_i＝P_β(E_α(x_i))；

S23：经过特征提取环节，此时得到由2M个数据特征组成的集合将u_i作为正例样本，在集合A(i)中所有样本的标签与y_i一致都视为正例样本，构成正例样本集合P(i)，剩余样本则被视为负例样本，构成负例样本集合N(i)。