[发明专利]基于渐进式簇净化网络的转导推理小样本分类方法

权利要求书

1.一种基于渐进式簇净化网络的转导推理小样本分类方法，其特征在于，该方法包括：

步骤S100，获取第一数据集、第二数据集；所述第一数据集为未标注待分类图像的数据集；所述第二数据集为带标注类别的图像的数据集；

步骤S200，提取所述第一数据集、所述第二数据集中各图像的特征，并对第二数据集不同类别的图像特征求均值，作为各类别的特征初始值；

步骤S300，对第一数据集中各图像，计算其特征与各特征初始值的距离，并通过分类模型得到其与第二数据集中各类别的相似性得分，将相似性得分最高的类别作为其重分类后的类别；所述分类模型基于卷积神经网络、全连接网络构建；

步骤S400，对第一数据集中重分类的各图像，通过关系网络计算其特征与同类别其他图像特征的关系得分并求平均，作为其的正得分；

步骤S500，对第一数据集中重分类的各图像，通过关系网络计算其特征与不同类别中的图像特征的关系得分并求平均，将各类别对应的最高平均分作为其的负得分；所述关系网络基于所述分类模型构建；

步骤S600，对各图像的正得分、负得分进行加权做差，得到其对应的最终得分，并选取最终得分最高的L个图像的特征，结合特征初始值，通过预设的第一方法对特征初始值进行更新；L为正整数；

步骤S700，判断是否达到设定的循环次数，若否，则循环执行步骤S300-步骤S600，否则，将步骤S300重分类的类别作为分类结果进行输出。

2.根据权利要求1所述的基于渐进式簇净化网络的转导推理小样本分类方法，其特征在于，所述分类模型与所述关系网络的训练方法为：

步骤A100，获取图像样本训练数据集；随机从所述训练数据集选取不同类别的图像样本构建支撑集，并从选取的类别中选取若干不重复的图像样本构建查询集；

步骤A200，提取支撑集、查询集中各图像样本的特征，并对支撑集不同类别中图像样本的特征求均值，作为各类别对应的特征初始值；

步骤A300，对查询集中各图像样本，计算其特征与各特征初始值的距离，并通过分类模型得到其与支撑集各类别的相似性得分，将相似性得分最高的类别作为其重分类后的类别；计算分类损失并更新分类模型；

步骤A400，对查询集中重分类的各图像样本，通过关系网络计算其特征与同类别其他图像样本特征的关系得分并求平均，作为其的正得分；

步骤A500，对查询集中重分类后的各图像样本，通过关系网络计算其特征与不同类别中的图像样本特征的关系得分并求平均，将各类别对应的最高平均分作为其的负得分；计算关系网络的损失并更新关系网络；所述关系网络基于所述分类模型构建；

步骤A600，对各图像样本的正得分、负得分进行加权做差，得到其对应的最终得分，并选取最终得分最高的L个图像样本的特征，结合特征初始值，通过预设的第一方法对特征初始值进行更新；L为正整数；

步骤A700，判断是否达到设定的循环次数，若否，则循环执行步骤A300-步骤A600，否则，循环执行步骤A800；

步骤A800，循环执行步骤A100-A700，直至得到训练好的分类模型、关系网络。

3.根据权利要求2所述的基于渐进式簇净化网络的转导推理小样本分类方法，其特征在于，步骤A300“通过分类模型得到其与支撑集各类别的相似性得分”，其方法为：

其中，s_i，n表示相似性得分，σ表示sigmoid函数，F(.)代表分类模型，表示查询集中图像样本的特征，表示特征初始值。

4.根据权利要求3所述的基于渐进式簇净化网络的转导推理小样本分类方法，其特征在于，所述关系网络其计算关系得分的方法为：

其中，r_i，j表示图像样本特征之间的关系得分，R_θ表示关系网络，表示图像样本的特征。

5.根据权利要求4所述的基于渐进式簇净化网络的转导推理小样本分类方法，其特征在于，步骤A600中“选取最终得分最高的L个图像样本的特征，结合特征初始值，通过预设的第一方法对特征初始值进行更新”，其方法为：

其中，表示更新后的特征初始值，l为正整数，表示下标，表示最终得分最高的L个图像样本中第l个的特征。