[发明专利]基于信息导向注意力网络的图像识别方法、系统及装置

权利要求书

1.一种基于信息导向注意力网络的图像识别方法，其特征在于，所述识别方法包括：

步骤S10，获取输入图像；

步骤S20，通过预训练好的信息导向注意力网络，计算所述输入图像的第一特征向量；

步骤S30，计算所述第一特征向量和预训练好的信息导向注意力网络中各类别的第一原型表征之间的距离d，当所述距离d取最小值时的第一原型表征为第k类别的第一原型表征时，所述输入图像归属于第k类别；

其中，所述信息导向注意力网络通过半监督小样本学习方式训练；

所述信息导向注意力网络，其构建和训练方法为：

步骤B10，获取训练图像集，所述训练图像集包括有标注数据集S、无标注数据集R和查询集Q；

步骤B20，基于所述有标注数据集S和无标注数据集R，计算第二原型表征并构建原型网络；

步骤B30，基于所述查询集Q，计算与所述第二原型表征对应的第二特征向量；

步骤B40，计算所述第二特征向量在对应的第二原型表征的概率分布；

所述概率分布p_Φ为：

其中，x^*表示样本集，y^*为样本标签，f_Φ为学习函数，d表示距离，c_k为第二原型表征的通用表达，k表示类别k；

步骤B50，通过随机梯度下降法反复迭代调整学习参数f_Φ使全局损失函数达到最小值，得到预训练好的信息导向注意力网络。

2.根据权利要求1所述的基于信息导向注意力网络的图像识别方法，其特征在于，步骤B20包括：

步骤B201，基于所述有标注数据集S和无标注数据集R，通过第一卷积神经网络CNN1获取第三特征向量v：{v_i，v_j......}；

步骤B202，基于所述第三特征向量，构建第一关系矩阵W：

其中，W_ij表示v_i和v_j属于同一个类别的概率；d(v_i，v_j )＝f_ψ(|v_i-v_j|)，f_ψ为输出维度为1的第一多层感知机，σ为尺度参数；

步骤B203，通过K近邻算法保留第一关系矩阵W每一行的h个最大值，其余元素置0；

步骤B204，基于所述第一关系矩阵W，通过拉普拉斯算法获得归一化矩阵

其中，D为对角矩阵，其第n行的对角元素为所述第一关系矩阵W第n行元素的和；

步骤B205，基于所述有标注数据集S，通过第二卷积神经网络CNN2获取每一张图像的第四特征向量x：{x₁₁，......，x_ij，......}，对节点i处的第四特征向量{x_ij}取平均值获得节点t处的全局特征

步骤B206，将所述全局特征与所述归一化矩阵对应位置的元素相乘，获得节点t处的信息表征

其中，N(t)为节点t处相邻节点的集合；

步骤B207，基于节点t处的第四特征向量x_tj和所述节点t处的信息表征通过线性相加的方法，计算空间位置j处的语义相关性得分α_tj，节点t处的相关性得分α_t：{α_tj}为：

其中，和W^att为三个变换矩阵，f_θ为第二多层感知机；

步骤B208，基于所述相关性得分α_tj，筛选所述第四特征向量{x_tj}，获得筛选后的全局特征为：

步骤B209，将节点t处的全局特征替换为所述筛选后全局特征并将所述筛选后的全局与所述归一化矩阵对应位置的元素相乘，获得筛选后的信息表征

步骤B210，基于所述全局特征信息表征筛选后的全局特征和筛选后的信息表征通过原型网络学习函数f_Φ分别计算类别k的第二原型表征；

所述第二原型表征的通用表达为：

其中，所述(x_i，y_i)中x_i指在支撑集中的第i个图像，y_i为第i个图像的标签；

根据所述通用表达，计算第二原型表征：

基于所述第二原型表征构建所述原型网络。