[发明专利]基于注意力模型的少量样本分类方法

权利要求书

1.一种基于注意力模型的少量样本分类方法，其特征在于，包括如下步骤：

1)训练一个卷积神经网络图像分类模型，训练好卷积神经网络图像分类模型后，去掉该卷积神经网络图像分类模型的全连接层，保留该卷积神经网络图像分类模型的卷积神经网络部分；

2)根据所有样本图像的特征向量对待测图像进行基础分类，得到n×m个标量，其中，n为所有样本图像的类数，m为每个类中的样本图像数；

3)将每一类的m个样本图像连接为m×M维的向量，输入一个非线性映射函数得到n×m个相对权重；

4)将得到的n×m个标量与对应的n×m个相对权重分别相乘，得到新的n×m个标量，将每个类中的新的m个标量相加得到最终的分类结果。

2.根据权利要求1所述的基于注意力模型的少量样本分类方法，其特征在于，步骤1)所述的卷积神经网络图像分类模型是VGGNet模型或GoogLeNet模型或ResNet模型。

3.根据权利要求1所述的基于注意力模型的少量样本分类方法，其特征在于，步骤2)包括：设所有样本图像有n个类，每个类有m个样本图像，利用所述的卷积神经网络部分对n×m个样本图像进行特征提取，得到对应的n×m个样本图像特征向量，每个样本图像特征向量是M维，利用所述的卷积神经网络部分对待测图像x进行特征提取，得到待测图像x的特征向量，并将所述的待测图像x的特征向量分别连接到n×m个样本图像特征向量的后面，得到n×m个连接向量，将n×m个连接向量经过一个非线性映射得到n×m个标量，所述的n×m个标量表示待测图像x与n×m个样本图像的相似程度，从而完成待测图像进行基础分类。

4.根据权利要求3所述的基于注意力模型的少量样本分类方法，其特征在于，所述的非线性映射为一个三层的全连接层。

5.根据权利要求1所述的基于注意力模型的少量样本分类方法，其特征在于，步骤3)用公式表示如下：

M＝g(Y) (1)

W＝activate(M) (2)

其中，Y表示将每个类中所有样本图像串联后的矩阵，g是一个非线性映射，W表示最终的权重矩阵。