[发明专利]一种基于SimpleShot的One-Shot学习新方法

权利要求书

1.一种基于SimpleShot的One-Shot学习新方法，其特征在于，包括如下步骤：

S100，构建一个由基类A形成的数据集D_base＝{(I₁，y₁)，...，(I_N，y_N))}，I_N表示第N张图像，y_N为第N张图像的标签，其中包含N个来自基类A的标记图像，即y_n∈{1，...，A}，使用EfficientNets作为特征提取网络f_θ，在基类A上训练后，将训练后的模型称为特征空间，其中θ为特征提取网络的参数；

S200，假设获得了来自C个新类的带标签图像的支持集，其中每个新类都有K＝1个样本，通过生成对抗网络GAN对支持集中的图像进行数据增广，并使用Jigsaw对数据进行处理，得到新的支持集D_support；

S300，为了简化表示，将x＝f_θ(I)表示为通过特征空间后的特征图像，在特征空间中，对D_support中的图像进行特征提取；

S400，对提取的特征进行先进行居中处理，再进行归一化和正则化处理，实现特征转换；

S500，对转换之后的特征，使用距离度量公式进行最近邻分类，得到分类结果。

2.如权利要求1所述的一种基于SimpleShot的One-Shot学习新方法，其特征在于：步骤S100的具体实现方式如下，

对生成特征的卷积网络f_θ(I)即Efficient Nets进行训练，其中θ为卷积网络的参数，通过调整学习率以及相关超参数，包括学习率调整步长和学习率衰减大小，以最大程度地减少D_base在卷积网络的最后一层全连接层，即线性分类器上的损失loss：

其中，W∈R表示最后一层全连接层中的参数，I表示图像，y表示图像对应的标签，损失函数l为交叉熵损失，当loss的大小稳定在10^-2的数量级，则停止训练。

3.如权利要求1所述的一种基于SimpleShot的One-Shot学习新方法，其特征在于：步骤S200中通过生成对抗网络GAN对每个类别仅有的一张图片的支持集进行数据增广，生成的未标记的Image2，然后使用改进的Jigsaw数据增广方法对数据进行处理，得到新的支持集D_support，具体实现方式如下，将原支持集中已标记的Image1和生成的未标记的Image2分别分成4块，随机选择两张图片中的两块，对Image1中选中的两个图像块赋予权重w，Image2中选中的两个图像块赋予权重1-w，然后将相同位置的图像块进行叠加，最终得到合成图像Image。

4.如权利要求3所述的一种基于SimpleShot的One-Shot学习新方法，其特征在于：w的取值为0.3或0.4或0.5。

5.如权利要求1所述的一种基于SimpleShot的One-Shot学习新方法，其特征在于：步骤S400的具体实现方式如下，

首先对支持集上得到的特征图像计算平均特征向量x＝f_θ(I)表示通过特征空间得到的特征图像，然后对其进行归一化：最后对归一化特征进行正则化，将其标准化为单位l₂范数：

6.如权利要求5所述的一种基于SimpleShot的One-Shot学习新方法，其特征在于：步骤S500中使用欧几里德距离为利用EfficientNets对测试图像进行特征提取，然后进行居中处理、归一化和正则化处理之后得到的特征，最后利用最近邻分类方法得到分类结果，

其中表示测试图像的标签。