[发明专利]一种基于原型生成的小样本图像分类方法

权利要求书

1.一种基于原型生成的小样本图像分类方法，其特征在于，包括如下步骤：

步骤1：小样本图像分类任务包含一个支持集和一个查询集Q；其中，支持集包含N个类别，每个类别有K个标记样本，用于提供监督信息；查询集Q由这N个类别的部分未标记样本构成，用于性能测试；为每个小样本图像分类任务构造一个参考样本集R，由分类任务的训练集中随机采样的L个类别的样本对构成，作为计算类间差异性分布的辅助样本；

步骤2：将参考样本集R中来自同一个类别的样本对进行拼接：

其中，表示特征提取器，r_i,1和r_i,2分别表示参考样本集中第i个类别的两个样本，表示两个特征向量验证特征维度进行拼接，表示第i个类别的样本对进行拼接之后得到的向量；

步骤3：将输入到差异性分布生成器中用于推理样本间的差异性分布；假设样本间差异性分布遵循高斯分布分布参数为：

其中，h_η表示差异性分布生成器，L表示参考样本集中总类别个数，μ和σ²分别表示差异性分布的均值和方差；

步骤4：根据差异性分布为小样本图像分类任务中的每个类别生成样本；

对于第n个类别，首先基于类间差异性分布随机采样M个样本间差异性描述子Z_n＝{z_n,i|i＝1,2,…,M}；然后，根据差异性描述子z_n,i和该类别所有支持样本的平均值s_n进行样本生成：

其中，“·”表示点乘；

通过这种方式，为每个类别生成M个样本；

步骤5：根据每个类别的支持样本提供的监督信息为该类别的所有样本生成权重系数；

对于小样本图像分类任务中的第n个类别，首先将该类别的支持样本的平均值s_n作为先验信息输入到编码器中用于推理类自适应的权重分布然后从该分布中随机采样隐变量，最后使用解码器将隐变量映射为权重系数W_n＝{w_n,i|i＝1,2,…,M+1}；整个过程描述为：

其中，g_φ和d_θ分别表示权重生成器中的编码器和解码器，z_n表示从权重分布中采样到的隐变量；

步骤6：根据每个类别生成的样本以及每个样本对应的权重系数进行最终的生成：

其中，是根据差异性分布为类别n生成的第i个样本，w_n,i表示第n个类别第i个生成的样本对应的权重，s_n和w_n,0分别表示第n个类别中原始支持样本的平均值及其对应的权重，p_n表示类别n生成的原型；

由公式(5)求出小样本任务中所有类别的原型P＝{p_n|n＝1,2,…N}；

步骤7：根据生成的原型进行小样本图像分类；

对于查询集Q中的每个样本，计算它与该任务中的所有类别原型之间的余弦相似度；然后，将相似度得分最高的原型对应的类别作为该查询样本的预测类别；最后，根据预测的类别与真实标记计算交叉熵损失函数：

其中，CE(·)表示交叉熵损失函数，和y_q分别表示查询样本的预测标签和真实标签；

步骤8：端到端的元学习训练；

对权重生成器中的分布进行Kullback–Leibler散度正则化约束：

其中，D_KL表示Kullback–Leibler散度，表示标准正态分布，表示类别n对应的权重分布，表示散度正则化损失；

对生成的样本进行正则化约束：

其中，d_intra表示类内距离，d_inter表示类间距离，表示样本正则化损失；

最终，目标函数为

根据目标函数使用随机梯度下降法进行端到端的训练。

2.根据权利要求1所述的一种基于原型生成的小样本图像分类方法，其特征在于，所述特征提取器是由ResNet-12网络构成，包括四个卷积块，通道个数分别为64、128、256以及1024，输出特征维度为1024。