[发明专利]一种基于异常点暴露的少样本图像分类方法及系统

权利要求书

1.一种基于异常点暴露的少样本图像分类方法，其特征在于：包括以下步骤，

步骤1，为当前分类任务添加辅助的异常图像数据，以支持在少样本图像分类中利用纯粹的无监督异常图像数据优化类原型；

步骤2，通过自适应的学习向量量化方法，利用异常图像数据优化每个类原型，包括为每个类原型找到与其最近的异常点，再利用最近的异常点自适应优化类原型；实现方式包括以下子步骤，

步骤2.1，提取一个类原型，寻找与当前类原型p_c最近的异常数据

步骤2.2，将p_c和输入到自适应参数产生网络h中，得到自适应参数h是一个多层感知机网络；

步骤2.3，利用最近的异常数据和自适应的优化参数优化类原型如下，

计算优化后结果实现优化类原型，f(*)为特征提取器；

步骤2.4，判断是否遍历完所有的类原型，是则进入步骤3，否则返回步骤2.1取下一类原型进行优化；

步骤3，测试查询集中的待分类图像样本得到分类损失，根据分类损失和异常点暴露损失优化特征嵌入网络和自适应参数产生网络，得到更准确的少样本图像分类模型，实现更精确的图像分类，包括通过添加异常点暴露约束，使每个异常点在当前任务类别空间的分布接近于均匀分布以进一步优化特征嵌入网络f和自适应参数产生网络h的学习，最终的损失函数为查询数据的分类损失与步骤3中的异常点暴露损失L_OE的加权和。

2.根据权利要求1所述基于异常点暴露的少样本图像分类方法，其特征在于：步骤1中，设一个少样本图像分类任务包含训练集和查询集其中∪表示并集；

其中，D_train包括K×N张图像样本，K表示图像类别的数量，N表示每类图像样本的数量，S_c指第c类训练图像，x_i为S_c中的图像，y_i为标签，i的取值为1,2,…N，c的取值为1,2,…K；D_query中包含K×N_q张图像，每类图像均包含N_q张待分类图像样本，Q_c指第c类查询图像，q_j为Q_c中的图像，y_j为标签，j的取值为1,2,…N_q，c的取值为1,2,…K；

在通用的度量空间上计算当前分类任务的各类原型如下，

其中，p_c表示当前分类任务的训练集D_train的第c类样本的原型，S_c表示D_train中第c类样本的集合，f(*)为特征提取器；

使用各类样本原型的特征表示与查询集D_query中样本的特征表示计算两者间的欧氏距离，以此对查询集D_query中的样本进行分类，对待分类样本q计算如下，

其中，p(y＝c|q)表示样本q属于第c类的概率，函数d(f(q),p_c)表示计算q的特征表示f(q)与第c类原型p_c之间的欧氏距离，c′是不同于c的某个类别，函数d(f(q),p_c′)表示计算q的特征表示f(q)与第c′类原型p_c′之间的欧氏距离，y指标签；exp(*)为指数函数；

在原型网络的基础上，为每个少样本图像分类任务中添加无标签异常图像数据，记为则无监督异常集D_outlier共包含M张图片

3.根据权利要求2所述基于异常点暴露的少样本图像分类方法，其特征在于：步骤3中，

通过添加以下异常点暴露约束，使每个异常点在当前任务类别空间的分布接近于均匀分布以进一步优化特征嵌入网络f和自适应参数产生网络h的学习，

其中，L_oE表示异常点暴露损失，log表示对数函数，表示图片属于第c类的概率，用于表示第t张无标签异常图像，t＝1,2,…M；

所述最终的损失函数如下式，

其中，L是最终的损失，γ为权重系数；p(y＝c|q_j)表示图像q_j属于第c类的概率。