[发明专利]一种基于元学习的少样本图像分类方法

说明书

本发明公开了一种基于元学习的少样本图像分类方法，涉及计算机视觉图像识别领域，包括以下步骤：S1：将图像集分为训练集、测试集；S2：提取训练集所有图像的surf特征，采用聚类方法对surf特征做聚类，得到训练集视觉词典；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；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；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；S6：测试过程：每次测试一个测试集子任务的查询集图像。本发明与传统的方案相比具备少样本快速学习、泛化能力。

技术领域

本发明涉及计算机视觉图像识别领域，尤其是涉及一种基于元学习的少样本图像分类方法。

背景技术

近年来深度学习在学术界、科技界应用广泛，尤其在图像领域，目前已经在图像分类领域取得较大进展，取得不错成效。深度学习能取得了巨大成功，最为关键的因素就是利用大量的数据去驱动模型训练，使其获得良好的测试效果。但是在实际应用中深度学习算法难以实施，因为深度学习训练需要大量的标记样本，但拥有大量数据样本的企业毕竟是少数，大部分企业并没有那么多标记样本；其次模型训练耗时，对于有些检测分类要求频繁变化的应用，每次更改一次检测要求，就需要重新训练大量样本，这大大增加了时间成本。

元学习是近年来深度学习领域最热门的研究方向之一，其最主要应用于少样本学习，其主要通过元训练过程学会学习能力，使网络模型对新的少样本具备快速学习泛化的能力。

从少量数据中快速学习和适应的能力对于人工智能至关重要。深度学习方法可以通过元学习“利用之前的经验学习如何学习”的思想来解决少样本学习问题，从而弥补其在样本量少的情况下无法快速泛化和继续学习的缺点。

发明内容

有鉴于此，有必要针对上述的问题，提供一种基于元学习的少样本图像分类方法，采用MAML框架算法进行元训练，实现在少样本训练下完成图像分类的方法。

为实现上述目的，本发明是根据以下技术方案实现的：

一种基于元学习的少样本图像分类方法，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。

进一步地，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。

进一步地，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)