[发明专利]一种利用分布策略提升少样本分类准确性的方法

权利要求书

1.一种利用分布策略提升少样本分类准确性的方法，其特征在于，包括以下步骤：

S1、获取与少样本数据外形特征向量相似度最高的多组不同类别的样本数据集，训练特征提取器，并利用特征提取器获取每张照片的特征向量x_j；

S2、利用步骤S1获取的特征向量x_j，对每组不同类别的样本数据集全部进行均值和方差的求取；

S3、再次利用特征向量x_j计算少样本数据的均值和方差；

S4、根据步骤S2中每组不同类别的样本数据集的均值和方差校准步骤S3中少样本数据的均值和方差；

S5、利用步骤S4中校准后的均值和方差随机抽样生成新特征数据去训练一个线性分类器，通过交叉熵损失来训练分类器，得到分类器模型。

2.根据权利要求1所述的一种利用分布策略提升少样本分类准确性的方法，其特征在于，所述步骤S1的具体实施方式为：获取与少样本数据外形特征向量相似度最高的多组不同类别的样本数据集，将多组不同类别的样本数据集统称为基类数据，在基类数据上任意训练一个与Resnet具备相同高性能的特征提取器，利用特征提取器统计基类数据中各组不同类别的样本数据集内每张照片的特征向量x_j。

3.根据权利要求1所述的一种利用分布策略提升少样本分类准确性的方法，其特征在于，所述步骤S2中每组不同类别的样本数据集的均值和方差求取的具体实施方式为：利用步骤S1中获取的特征向量x_j，代入公式1和公式2分别对各组不同类别的样本数据集的均值和方差进行求取；

其中，i表示组数，n_i表示第i组的样本数量，μ_i1表示每组不同类别的样本数据集的均值，∑_i1表示每组不同类别的样本数据集的方差，x_j为各组不同类别的样本数据集内每张照片的特征向量。

4.根据权利要求1所述的一种利用分布策略提升少样本分类准确性的方法，其特征在于，所述步骤S3中少样本数据的均值和方差求取的具体实施方式为：利用步骤S1中获取的特征向量x_j，代入公式3和公式4分别对少样本数据的均值和方差进行求取；

其中，i表示组数，n_i表示第i组的样本数量，μ_i2表示少样本数据的均值，∑_i2表示少样本数据的方差，x_j为各组不同类别的样本数据集内每张照片的特征向量。

5.根据权利要求1所述的一种利用分布策略提升少样本分类准确性的方法，其特征在于，所述步骤S4中校准的实施过程包括以下步骤：

S41、首先利用公式5减少特征向量x_j分散的偏度，所述公式5采用TLPT方法公式；

其中，λ为所设置的超参数，将λ设置为1时可恢复少样本数据的原始特征分布；将λ设置为小于1时可使少样本数据的特征分布的正偏度减小；将λ设置为大于1时可使少样本数据的特征分布的正偏度增大；

S42、其次将基类数据的特征向量x_j迁移至少样本数据中，获取少样本数据校准后的均值和方差。

6.根据权利要求5所述的一种利用分布策略提升少样本分类准确性的方法，其特征在于，所述步骤S42的具体实施步骤如下：

S421、首先从基类数据中挑选出与样本的外形特征向量最相近的k个基类数据样本；

S422、利用公式6求得距离到样本的特征距离集合S_d，利用公式7求得样本最接近的k个基类数据集合S_N；

S423、通过S_N对比校准，获取少样本数据校准后的均值和方差。

7.根据权利要求1所述的一种利用分布策略提升少样本分类准确性的方法，其特征在于，所述步骤S5的具体实施步骤为：

S51、对步骤S4中校准后的均值和方差随机抽样生成新特征数据去训练一个线性分类器，使用一组标准数据S^y从少样本数据校准后的均值和方差中进行采样，生成一组标注为y类的特征向量：

S52、将每组不同类别的样本数据集生成的特征总数设置为超参数，而后将少样本数据中y类的原始数据集特征向量和步骤S51中生成的y类的特征向量一起作为线性分类器的训练数据，使用交叉熵损失来训练线性分类器，得到分类器模型：

l＝∑-logPr(y|x；θ)公式11。