[发明专利]一种基于融合属性和属性分布相似度的小样本分类方法

权利要求书

1.一种基于融合属性和属性分布相似度的小样本分类方法，其特征在于；按照如下方式实施；

步骤1构建元训练集和图像处理；将图片大于10000张的图片构建成元训练集，对元训练集进行预处理；首先将图片大小统一调整为92x92px，然后对图像做增强处理，包括随机旋转和剪切；输出处理好的图像；

步骤2预训练；将处理好的图像传入深层卷积神经网络进行预训练，输出特征提取器的权重参数θ和分类器权重参数φ，保存特征提取器的权重参数θ；

步骤3将元训练集按照情景训练方式从数据集中构建训练任务并进行元训练；具体地，从训练集中随机选择N个类，从选中的每个类中随机选K个样本为做支持集，共N*K个，从N个类中随机选M个样本作为查询集，并且和支持集不出现重复；然后将训练任务对特征提取器和分类器进行小样本中经典的元训练，得到小样本基础分类网络；

步骤4属性合成；

步骤5属性去余；对融合计算好的属性的进行检查，将属性参数值完全相同的去余；

步骤6计算特征相似度计算和属性分布相似度；

步骤7计算结果。

2.根据权利要求1所述一种基于融合属性和属性分布相似度的小样本分类方法，其特征在于；步骤3对应的元训练的过程如下；

3.1将训练任务中的支持集放入到特征提取器中获取N*K个特征图；

3.2对属于相同类别的特征图求算数平均值，获得类别特征，共N个；

3.3从查询集中随机选择一个样本，传入到特征提取器和分类器中，分类器计算和每个类别特征的余弦相似度，经过softmax函数，对类别相似度进行归一化，得到p_i，归一化公式为：

其中p_i为第当前查询集样本对第i个类的预测结果；t为N个类别特征中的第t个特征；e为幂运算的底数；

3.4将查询集中所有的样本相似度和标签求损失，损失函数为：

其中L为当前训练任务损失结果；y_i为样本对应类别的真实标签，为一个one-hot标签，里面的每一个元素取0或者1，0代表不是该类别，1代表为该类别；p_i是softmax的结果，

3.5利用梯度回传对特征提取器和分类器组合的网络进行参数更新，重复步骤3中的步骤，直到网络收敛，参数不再更新，得到小样本基础分类网络。

3.根据权利要求1所述一种基于融合属性和属性分布相似度的小样本分类方法，其特征在于；步骤4设计了一种属性合成方法，具体如下：

4.1构建元测试集、获取数据集的属性标签；将待分类的小样本图像数据集构建为元测试集，将元训练集和元测试集的标签传入WordNet,查询用于合成属性的标签，输出两个数据集的标签交集，这里获得的标签记为属性标签；

4.2计算类别特征，将处理好的元训练集再次传入到预训练好的特征提取器中，对每一个类计算类别特征，计算函数：

其中s⁽ⁱ⁾代表第i个特征，S_i为第i个类别样本数据；F_(θ)表示具有特征提取器权重参数的模型；x_i和y_i表示类别下的第i个样本和标签；

4.3计算属性；将具有相同属性标签的类别的特征进行计算，计算函数为：

其中a^(j)代表第i个属性；代表拥有第j个属性标签类别样本的集合；F_(θ)表示具有特征提取器权重参数的模型；x_i表示拥有属性j的集合中第i个样本。