[发明专利]寻找可靠的异常数据中心的半监督少样本图像分类方法

权利要求书

1.一种寻找可靠的异常数据中心的半监督少样本图像分类方法，其特征在于，包括以下步骤：

步骤1：划分数据集；

将数据集划分为训练集D_train，测试集D_test，训练集与测试集包含不同种类的图像，每类样本图像数目不少于预设值N；

步骤2：从训练集中取样半监督少样本分类任务；

从训练集D_train中取样半监督少样本分类任务E，包括支持集D_support和查询集D_query以及无标签数据集D_unlabel；将所述半监督少样本分类任务E中包含的图像经过深度神经网络模型的前向传播计算，得到图像的高层特征表示；

步骤3：使用所述图像的高层特征中的支持集D_support部分计算各类图像的原型；

步骤4：使用所述各类图像的原型，计算寻找可靠的异常数据聚类中心；

步骤5：使用K-Means聚类算法，以步骤4中找到的聚类中心以及各类图像原型作为聚类中心对所述半监督少样本分类任务中的D_unlabel包含的无标签数据聚类，并通过聚类结果重新计算原型位置，优化原型；

步骤6：使用最近邻算法，对所述半监督少样本分类任务中的D_query包含的图像进行分类，并计算交叉熵损失，反向传播更新网络参数；

步骤7：重复进行步骤2-6训练深度神经网络模型，得到训练后深度神经网络模型，使用测试集对训练后深度神经网络模型进行分类测试。

2.根据权利要求1所述的寻找可靠的异常数据中心的半监督少样本图像分类方法，其特征在于：步骤2中，所述半监督少样本分类任务包括支持集D_support和查询集D_query以及无标签数据集合D_unlabel；设K，K_d，N_s，N_q，N_u为预设值，其中K表示待分类图像种类数，K_d表示无标签数据中作为干扰项的图像种类数，N_s表示支持集D_support中每种待分类图像样本数量，N_q表示查询集D_query中每种待分类图像样本数量，N_u表示D_unlabel中每种无标签图像样本数量，D_support，D_query，D_unlabel所包含样本数量分别为K×N_s，K×N_q，(K+K_d)×N_u；

将D_support看作分类任务的训练集，而将D_query看作分类任务的测试集，通过从D_support与D_unlabel中获取知识以对D_query中的样本进行分类；

构建深度神经网络模型，深度神经网络模型由四个卷积神经网络块构成，每个卷积神经网络块包括：64个3×3卷积核，批归一化层，ReLU激活函数，2×2最大池化层；堆叠四个卷积神经网络块构成特征提取网络网络参数采用现有的参数初始化策略对参数进行初始化；

图像经过特征提取网络前向传播算法计算得到其高层特征表示。

3.根据权利要求1所述的寻找可靠的异常数据中心的半监督少样本图像分类方法，其特征在于：步骤3中，利用公式c_k计算各类图像的原型；

其中c_k表示支持集D_support的第k类样本的原型，S_k表示D_support中第k类样本的集合，为特征提取网络，x_i表示第i张图像的原始数据，即为第i张图像的特征表示。