[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

说明书

本发明属于计算机视觉、模式识别和神经网络技术领域，具体涉及一种基于渐进式簇净化网络的转导推理小样本分类方法、系统、装置，旨在解决现有基于小样本学习的分类方法忽略了测试样本的作用，导致分类精度、鲁棒性较差的问题。本系统方法包括：获取第一数据集、第二数据集；提取第一数据集、第二数据集中图像的特征，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；通过分类模型对第一数据集中的图像分类；第一数据集中重分类的各图像的正得分；第一数据集中重分类的各图像的负得分；通过预设的第一方法对特征初始值进行更新；循环判断。本发明提高了分类的精度、鲁棒性。

技术领域

本发明属于计算机视觉、模式识别和神经网络技术领域，具体涉及一种基于渐进式簇净化网络的转导推理小样本分类方法、系统、装置。

背景技术

在大数据的推动下，深度学习技术在计算机视觉、自然语言处理等领域都有了突飞猛进的发展，然而，在自动驾驶等较难获取大量标注数据的领域，严重依赖数据规模的特点阻碍了深度学习在低数据任务上的应用。众所周知，人类是可以通过简单的举例说明快速学习新概念的，受这一事实的启发，现在的研究者们更多的关注小样本学习技术的发展。

小样本学习技术通过提取相似任务的共享知识，利用少量的训练样本就可以获得适用于新任务的模型。然而现在的小样本学习技术只关注于如何充分利用少量的训练样本，而忽视了测试样本的作用。当有若干测试样本时，可以利用测试样本帮助构建更好的模型，转导推理就是这样的典型方法。

在统计学习中，转导推理(Transductive Inference)是一种通过观察特定的训练样本，进而预测特定的测试样本的方法。分类任务中转导推理的典型应用为转导支持向量机(Transductive Support Vector Machine(TSVM))，通过不断的优化聚簇的边界，来使用训练集和测试集数据不同类别间聚簇的边界间隔最大。特别是当训练样本非常少，而测试样本非常多时，转导推理能利用无标注的测试样本的信息发现聚簇，利用测试集的流形结构进行更有效地分类。因此，本发明提出了一种基于渐进式簇净化网络的转导推理小样本分类方法，可以通过对每个独立的簇之间的语义相关性进行推导，从而渐进性的完成对簇的净化。

发明内容

为了解决现有技术中的上述问题，即为了解决现有基于小样本学习的分类方法忽略了测试样本的作用，导致分类精度、鲁棒性较差的问题，本发明第一方面，提出了一种基于渐进式簇净化网络的转导推理小样本分类方法，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。