[发明专利]基于改进匹配网络模型的单样本学习方法

说明书

本发明公开了一种基于改进匹配网络模型的单样本学习方法，涉及深度学习下的图像分类识别技术领域，包括以下步骤：（1）对训练样本数据集和测试样本数据集分别进行预处理降维；（2）利用四层深度卷积神经网络提取训练样本和测试样本的高层语义特征；（3）对高层语义特征分别采用双向LSTM算法和AttLSTM算法提取训练样本和测试样本的关键有用特征并进行编码并得出分类的结果。采用本发明的技术方案深度学习下的图像分类识别在类别数更多而样本数较少的复杂场景下还具有高识别率。

技术领域

本发明涉及深度学习下的图像分类识别技术领域，尤其涉及一种基于改进匹配网络模型的单样本学习方法。

背景技术

深度学习(deep learning)已经广泛应用于各个领域，尤其是图像处理领域，解决各类实际应用问题。当前深度学习是基于大量数据标注样本通过多层网络实现模型自动识别。然而，在很多特殊场景下，难以获取大量标注样本数据，小样本物体识别仍然是深度学习下关键性的难题，研究人员探索在不影响识别效果的基础上尽可能减少学习样本，提高系统在小样本中快速学习的能力。现有技术中针对小样本学习的策略主要集中在小样本学习(few-shot learning)、单样本学习(one-shot learning)以及零样本学习(zero-shotlearning)，其中单样本学习(one-shot learning)最具代表性。早在2006年，Li Fei-Fei等人就提出了单样本学习的概念；Lake等人于2015年提出一种分层贝叶斯模型，该模型能从少量样本中完成计算任务，并且达到了相当于人类水平的识别率；Vinyals等人提出了一种基于余弦距离的端对端的K-紧邻模型解决单样本学习问题；但是，现有技术的单样本学习方法在类别数更多而样本数较少的复杂场景下存在着识别率不高的不足之处。

发明内容

针对现有技术的不足，本发明所解决的问题是提供一种在单样本类别数更多而样本数较少的复杂场景下还具有高识别率的单样本学习方法。

为解决上述技术问题，本发明采用的技术方案是一种基于改进匹配网络模型的单样本学习方法，包括以下步骤：

(1)对训练样本数据集和测试样本数据集分别进行预处理降维，具体分步骤如下：

1)将样本数据集按照比例划分为训练样本数据集和测试样本数据集；

2)利用OpenCV下的一个扩展库CV2对训练样本数据集和测试样本数据集进行降维预处理，将原始105*105像素大小的图片进行灰度化并转换成数组的形式；

3)利用扩展库CV2下的相关处理函数对手写字体图片进行降维预处理，最后输出64*64像素大小的图片。

(2)利用四层深度卷积神经网络提取训练样本和测试样本的高层语义特征，具体分步骤如下：

1)将预处理后的训练样本输入到四层卷积神经网络，分别进行卷积-池化-LeakyReLU非线性激励，并进行四次该操作；

2)通过全连接层输出，提取训练样本的高层语义特征，其中卷积层采用3*3大小的卷积核，卷积步长大小设为1，池化层采用最大池化操作；

3)将测试样本数据集也同样按照训练样本的步骤进行高层语义特征提取，其中参数选取与训练样本进行四层卷积神经网络中的参数一致。

(3)对高层语义特征分别采用双向LSTM算法和AttLSTM算法提取训练样本和测试样本的关键有用特征并进行编码并得出分类的结果，具体分步骤如下：

1)针对训练样本数据集采用双向LSTM算法提取关键有用特征并进行编码，具体过程如下：