[发明专利]一种基于SimpleShot的One-Shot学习新方法

说明书

本发明提供了一种基于Simpleshot的One‑Shot学习新方法，通过使用目前在图像分类领域具有最优性能的特征提取网络Efficient Nets作为特征提取网络，在基类上进行训练，网络训练后得到特征空间，然后输入新类的小样本，并在该特征空间中，对图像进行特征变换，即使用正则化技术缓解过拟合问题，再最后进行最近邻分类。

技术领域

本发明涉及SimpleShot算法，一种对最近邻分类重新研究以进行小样本学习的目标识别技术。该技术是小样本学习领域重要的技术之一，通过对最近邻分类的重新审视，结合一些新颖的思想，在小样本学习领域具有先进的准确率。

背景技术

近年来，随着深度学习的发展，越来越多的深度学习模型在计算机视觉领域尤其是图像分类领域取得了非常不错的成果，实现了最先进的性能，在识别准确率上甚至已经可以达到与人类视觉相匹敌的状态。但是，这种现象的形成是由于要实现极其强大的性能，就必须要依赖庞大的具有标签的数据来训练模型，并且该模型需要具备不同视觉变化的网络。事与愿违，在实际的应用中，人类标注成本以及在一些特殊领域中某些类别的数据稀缺性极大的限制了当前视觉系统有效学习新视觉概念的适应性。对此，如何在仅拥有少量新类的标记样本的情况下学习一种具有良好适应性的模型成为了一个很有意义的研究课题。

在小样本学习领域中，人类视觉系统具有当前计算机视觉无法比拟的能力，开发一个小样本学习的计算机视觉系统是非常重要的。在小样本学习环境中，通常能想到的是，首先需要使用大量的训练数据对模型进行训练，以实现识别基类的能力；随后，将具有少量数据的新类输入该模型，用于识别需要识别的新类。这既是迁移学习的思想。为了使模型具有鲁棒性防止过拟合的问题出现，成功的小样本学习模型必须有效地重用从基类上学习到的知识。

当前，在深度学习中，小样本学习是数据短缺下的学习问题，这是深度学习中的一个重要挑战，因为在许多现实世界中可能无法提供大量的训练实例。尽管元学习的最新进展使得在小样本学习任务中获得令人印象深刻的性能成为可能，但在我们获得的信息很少情况下仍然具有挑战性(例如one-shot学习)。

发明内容

为了克服小样本学习中容易产生的过拟合问题，提高现有小样本图像分类方法分类的准确度，本发明提出了一种基于SimpleShot的One-Shot学习新方法。

本发明的思路为：通过使用目前在图像分类领域具有最优性能的特征提取网络Efficient Nets作为特征提取网络，在基类上进行训练，网络训练后得到特征空间，然后输入新类的小样本，并在该特征空间中，对图像进行特征变换，即使用正则化技术缓解过拟合问题，在最后进行最近邻分类。另外在支持集方面，本发明使用一种有效的数据增强方法——改进的Jigsaw图像增强技术来对少量的样本进行数据增广，进一步缓解过拟合问题。

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，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；