[发明专利]一种基于元学习的少样本图像分类方法

权利要求书

1.一种基于元学习的少样本图像分类方法，其特征在于，包括以下步骤：

步骤S1：将图像集分为训练集、测试集；

步骤S2：提取训练集所有图像的surf特征，采用kmeans聚类方法对训练集所有图像的surf特征做聚类，形成k个簇，得到训练集视觉词典，同时得到聚类分类器k-classify；

步骤S3：计算训练集每一幅图像的视觉词袋，形成训练集视觉词袋检索库；

步骤S4：将训练集、测试集分别划分为多个子任务，每个子任务包括支撑集、查询集；

步骤S5：训练过程：采用MAML算法，对训练集多个子任务进行元训练，学习一个最优的初始参数；

步骤S6：测试过程：通过视觉词袋技术从训练集视觉词袋检索库中找出与测试集子任务支撑集图像相似的图像，用相似图像对网络模型进行预训练更新参数，再用子任务的支撑集图像进行训练更新模型参数，最后用更新完参数的网络模型对测试集子任务查询集图像进行测试，每次测试一个测试集子任务的查询集图像；

步骤S6具体包括以下步骤：

步骤S61：网络模型采用步骤S5训练过程得到的最优初始参数，对测试集一个子任务的支撑集图像提取surf特征；

步骤S62：采用步骤S2得到的聚类分类器k-classify判断支撑集图像的每一个surf特征对应步骤S2训练集视觉词典中的视觉单词，统计得到支撑集图像的视觉词袋；

步骤S63：将支撑集图像的视觉词袋与训练集视觉词袋检索库的所有图像的视觉词袋进行余弦相似度比较，每一个图像的视觉词袋是一个k维特征向量，最终得到与每一张支撑集图像最相似的10张图像，相似图像的训练学习率按如下公式计算得出：

其中，l为学习率，S余弦相似度，i为图像序号；

步骤S64：将得到的所有相似图像打乱顺序输入到网络模型更新参数，再用测试集子任务的支撑集图像更新网络模型参数，学习率为0.02；

步骤S65：用更新参数后的网络模型对测试集子任务的查询集图像进行分类测试。

2.根据权利要求1所述的基于元学习的少样本图像分类方法，其特征在于，在步骤S1中，所述训练集、测试集包括不同种类的图像，所述训练集的图像种类、数量多于所述测试集的图像种类、数量。

3.根据权利要求2所述的基于元学习的少样本图像分类方法，其特征在于，步骤S2具体包括以下步骤：

步骤S21：计算训练集所有图像的surf特征，统计训练集每一幅图像surf特征数量，统计训练集所有图像surf特征数量的众数k₁；

步骤S22：计算训练集所有图像的surf特征数量的平均数k₂，计算公式如下：

k₂＝Sum_surf/C(1)其中Sum_surf是训练集所有图像surf特征数量，C为训练集图像数量；

步骤S23：确定聚类方法kmeans的参数k，计算公式如下：

步骤S24：采用kmeans聚类方法对训练集所有图像的surf特征向量进行聚类，最终形成k个簇，每个簇就是一个视觉单词，同时得到聚类分类器k-classify。

4.根据权利要求2所述的基于元学习的少样本图像分类方法，其特征在于，步骤S3具体包括以下步骤：

步骤S31：计算训练集每一幅图像的surf特征，采用步骤S2中的聚类分类器k-classify判断每一幅图像的每一个surf特征对应步骤S2中训练集视觉词典中的视觉单词，即计算surf特征向量距离k-classify聚类最近的簇；

步骤S32：统计每幅图像的视觉词袋，将训练集所有图像的视觉词袋集合成一个数据库，形成训练集的视觉词袋检索库。