[发明专利]基于改进高斯网络的小样本学习垃圾分类方法

说明书

本发明公开了一种基于改进高斯网络的小样本学习垃圾分类方法，包括：将收集到的数据集拆分为80％的支持集和20％的测试集，然后分别输入到高斯原型网络中通过编码器转换为矢量；计算编码器中的协方差矩阵以及父类集合的边缘权重；根据线性欧几里德距离计算嵌入空间中类别和方向相关的距离度量并且测量支持集与测试集之间的相似性，并且进行汇总；根据特定的损失函数计算方式得到损失，并且反向传播更新网络参数。本发明的方法相对于其它方法都有显著的提高，分类准确率最多提高20％左右，训练消耗时间有明显的区分，对于多噪声，分布广泛的数据集有很好的适用性，提出并建立了垃圾数据集可供读者下载使用。

技术领域

本发明属于垃圾分类的技术领域，尤其涉及一种基于改进高斯网络的小样本学习垃圾分类方法。

背景技术

我们能够从一个或几个示例中来学习认识新的对象，从手写字符识别和电机控制到高级概念的广泛活动，都已经证实了这一点。将人类的这种行为复制到机器中去是小样本学习的最初动机。尽管现代深度学习方法通过非常深的神经网络实现了前所未有的性能，但这种技术仍然需要大量的数据进行训练，通常是数以百万计。而最近提出的小样本学习方法解决了深度学习与人类学习在计算机视觉和强化学习等领域之间的样本效率差距。其中简单高效的如原型网络通过学习一个度量空间，计算和每个类别的原型表达的距离来进行分类。但对于两个或多个样本的相似度，用距离较近来度量区分度不是非常明显。以及将深度神经网络特征的度量学习和外部存储的记忆增强网络相结合的匹配网络，该模型使用加权平均的方法去做小样本分类，速度快，需要训练量小，但当原有数据分别差异过大时会出现分类问题。

小样本学习分类是一项任务，在训练过程中必须调整分类器以适应训练中未见的新类。这样就会面临着过度配置问题，而数据增强和正则化技术可以减轻这种有限数据体系中的过度配置，但它们无法根本解决这一问题。

发明内容

基于以上现有技术的不足，本发明所解决的技术问题在于提供一种基于改进高斯网络的小样本学习垃圾分类方法，分类准确率高，提出并建立了垃圾数据集可供读者下载使用。

为了解决上述技术问题，本发明提供一种基于改进高斯网络的小样本学习垃圾分类方法，包括以下步骤：

步骤1：将收集到的数据集拆分为80％的支持集和20％的测试集，然后分别输入到高斯原型网络中通过编码器转换为矢量；

步骤2：计算编码器中的协方差矩阵以及父类集合的边缘权重；

步骤3：根据线性欧几里德距离计算嵌入空间中类别和方向相关的距离度量并且测量支持集与测试集之间的相似性，并且进行汇总；

步骤4：根据特定的损失函数计算方式得到损失，并且反向传播更新网络参数。

进一步的，所述步骤1中的编码器为能够将图像X转换为矢量的函数：

其中的H是图像的高度，W是图像的宽度，C是图像的通道数，D是向量空间的嵌入维数。

由上，本发明针对于垃圾分类问题，提出了基于小样本学习的高斯原型网络，对生活中经常出现的四大类，几十小类做分类任务，分类效果较为理想。本发明有以下优点：

1)提出引入注意力机制的高斯原型网络。

2)对于多噪声，分布广泛的数据集有很好的适用性。

3)提出并建立了垃圾数据集可供读者下载使用。

上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其他目的、特征和优点能够更明显易懂，以下结合优选实施例，并配合附图，详细说明如下。

附图说明