[发明专利]利用少数标注图像生成分类器的方法

权利要求书

1.一种利用少数标注图像生成分类器的方法，其特征在于，包括：

利用数据量满足要求的标注数据集预训练一个宽残差网络，将训练后的宽残差网络中除全连接层的其他部分作为图像的特征提取器；

对于待生成的N分类器，从训练集中选择N个类别，并从N个类别中各随机选择一个或多个图像作为训练样本；通过特征提取器对每一类别的训练样本中提取一个特征向量，将提取到的N个特征向量输入分类器生成器中；

由分类器生成器依次进行类别信息融合与N分类器的参数预测，从而得到N分类器；

其中，所述分类器生成器包括：类别信息融合模块与分类器参数预测模块；

N个训练样本的特征向量拼接组成一个行数为N的矩阵后，输入至类别信息融合模块，得到一个融合特征矩阵，融合特征矩阵的每一行代表输入中对应行的类别特征；

之后，将融合特征矩阵输入至分类器参数预测模块，预测出N分类器的参数。

2.根据权利要求1所述的一种利用少数标注图像生成分类器的方法，其特征在于，所述利用数据量满足要求的标注数据集预训练一个宽残差网络包括：

选择一个数据量满足要求的标注数据集，依据类别图像类别分为互不重合的训练集和测试集；

所述宽残差网络包含一个多层的卷积神经网络和一个全连接层；预训练过程中，每个图像输入宽残差网络后，网络末端的全连接层的输出表示输入图像属于各个类别的分类得分；

预训练过程中，损失函数定义为：

其中s_i,y代表每一次批训练中第i个待分类图像对于其真实类别y的分类得分，s_i,y′代表该图像在其余的类别y′分类得分；

经过一定次数的训练，并通过测试集的测试后，表示宽残差网络预训练完毕。

3.根据权利要求1所述的一种利用少数标注图像生成分类器的方法，其特征在于，所述通过特征提取器对每一类别的训练样本中提取一个特征向量包括：

如果每个类别提取一个图像作为训练样本，则每一训练样本能够提取一个特征向量，最终为N个特征向量；如果每个类别提取多个图像作为训练样本，则将多个训练样本的特征向量的平均值作为对应类别的特征向量，最终为N个特征向量。

4.根据权利要求1所述的一种利用少数标注图像生成分类器的方法，其特征在于，所述类别信息融合模块由一个全连接层构成，它的输入输出维度为N。

5.根据权利要求1所述的一种利用少数标注图像生成分类器的方法，其特征在于，所述分类器参数预测模块由一个全连接层组成，它的输入输出维度与图像特征向量维度相同。

6.根据权利要求1-5任一项所述的一种利用少数标注图像生成分类器的方法，其特征在于，得到N分类器后，对其进行训练，即从N个类别中各随机选择一定数量的图像作为待测图像，通过特征提取器提取到的特征直接输入至N分类器，预测得到属于各个类别的分类得分，根据预测结果更新N分类器的参数；N分类器训练过程中的损失函数与预训练宽残差网络的损失函数相同，区别仅在于涉及的图像类别数量不同。