[发明专利]任务注意力引导的小样本图像互补学习分类算法

说明书

本发明提供了一种任务注意力引导的小样本图像互补学习分类算法。首先，设计了一个双分支的多部位互补特征学习模块，融合多个显著部位的判别特征，使网络深度探索和利用特征图的整个空间区域，从而获取更多的判别信息；然后，引入了任务相关的注意力引导模块，通过强化或抑制元学习者提供的部分知识，找出与当前任务相关的代表性特征，通过这种方法使神经网络获得区分当前输入类别的最重要特征的能力。通过将多部位互补特征学习模块和任务相关的注意力模块相结合，可以深入挖掘与当前输入类别最相关的互补特征，提高网络的鉴别能力，在少量训练样本的条件下实现较高的分类精度，具有较高的分类准确度和较好的鲁棒性。

技术领域

本发明属图像处理技术领域，具体涉及一种任务注意力引导的小样本图像互补学习分类算法，可以实现小样本条件下新类别图像的快速分类。

背景技术

近年来深度学习在许多数据密集型的应用中取得了显著的效果，如目标检测、图像分类和语义分割等。然而深度学习技术的性能严重依赖于标注数据量的大小，并且缺乏在低数据状态下的学习能力和泛化能力。在现实生活中，标注数据的大量搜集存在一定的困难，极大的限制了深度学习的进一步发展。一方面，在某些特定的领域，如军事领域，由于种种限制很难获取大量的样本。另一方面，海量数据的标注需要大量的人力和物力。特别在某些专业领域，数据的标注工作需要行业内的专家进行，给大量数据的标注工作带来了极大的困难。小样本学习利用先验知识，在面对仅有少量标注数据的新类别时具有较高的分类准确率。

目前已有的小样本图像分类方法，概括起来可以分为基于模型的小样本图像分类算法、基于度量的小样本图像分类算法、基于优化的小样本图像分类算法和基于数据扩增的小样本图像分类算法四大类。基于模型的方法旨在通过设计模型结构快速更新少量样本的参数，并直接建立输入与预测之间的映射函数，然而传统的梯度下降的算法参数量较多，无法快速实现优化。基于度量的方法主要学习图像到嵌入空间的映射，并且使该空间具有一定的区分性，然而该方法由于是与任务无关的，在训练数据有限的情况下很难快速泛化到新类别上。基于优化的小样本图像分类算法的目的是得到一个较好的初始化模型或者梯度下降的方向，使得模型面对样本量有限的新类别时仍能具有很好的泛化能力，然而由于数据量有限，这种方法容易困在局部最优点。基于数据扩增的方法提出使用少量的标记样生成假数据，从而实现数据扩增，但是由于生成的数据存在不合理性，容易给网络带来噪声。

此外，上述小样本图像分类方法大都基于浅层的特征提取网络，而骨干网络的层数较深时可以显著降低小样本图像分类算法在数据集上的性能差异。具体的，当特征提取网络的层数较浅时，类内差异性对算法性能的影响较大，但当使用较深的骨干网络时，类内差异性对网络性能的影响明显降低。因此，使用深层的骨干网络来解决小样本图像分类问题是未来的发展趋势。但是深层网络很容易带来过拟合的问题，需要有效地平衡网络的特征表达能力和网络深度所带来的过拟合问题。首先，深层网络通常倾向于从最具鉴别性的对象部分中识别局部区域，而不是从整个对象中进行识别，从而导致特征表示不完整。此外，在小样本图像分类算法中，元学习是一个任务集合上的学习问题，元学习者通常是在所有任务之间共享的。为了在不同任务下实现新类别的正确分类，需要对每个任务学习一个基础学习者。在这种情况下，如何使基础学习者更加专业化，从而对不同的任务以任务相关的方式响应不同的输入，是目前面临的一大挑战。

发明内容