[发明专利]单样本图像分类方法、系统、计算机设备及存储介质

权利要求书

1.一种单样本图像分类方法，其特征在于，所述方法包括：

通过改变关系网络的特征融合方式和重新构造损失函数，生成变体关系网络，所述损失函数为关系损失函数，所述变体关系网络包括特征学习子网和关系学习子网，所述关系学习子网包括4个全连接层；

依次将T个预训练卷积神经网络作为变体关系网络的特征学习子网，训练对应的变体关系网络，得到T个教师网络；

依次将T个教师网络作为特征生成器，提取所有训练图像的特征；

利用所有训练图像的特征，为支撑图像列表创建参照相似度列表；

利用排列概率模型构造排序损失函数，进而构造混合损失函数；

用混合损失函数取代变体关系网络中的关系损失函数，用排序学习子网取代关系学习子网，生成排序网络，所述排序网络包括特征学习子网和排序学习子网，所述排序学习子网包括4个全连接层；

根据参照相似度列表，采用情景训练模式训练排序网络，得到训练好的排序网络；

将查询图像和单样本支撑图像输入训练好的排序网络中进行分类，得到查询图像的分类结果；

所述改变关系网络的特征融合方式，具体为：

将特征学习子网看作一个向量函数f(ω；·)，集成支撑图像x_i与查询图像q的特征，得到集成特征，如下式：

α_i＝(f(ω；x_i)-f(ω；q)).*(f(ω；x_i)-f(ω；q))

其中，“.*”表示对应元素相乘，ω表示特征学习子网的参数；

所述重新构造损失函数，具体为：

在关系网络的关系得分层运用softmax函数，令第i个激活值p_i表示第i个归属概率，同时记查询图像q的类别标签为利用交叉熵构造关系损失函数，如下式：

其中，表示关系损失函数，ω和分别表示特征学习子网和关系学习子网的参数，x表示支撑图像x₁,x₂,…,x_C构成的支撑图像列表，Q表示任一训练情景的查询图像集。

2.根据权利要求1所述的单样本图像分类方法，其特征在于，所述利用所有训练图像的特征，为支撑图像列表创建参照相似度列表，具体包括：

根据所有训练图像的特征，计算所有图像对的欧氏距离并规范化到[0,1]上；

假设第t个教师算出支撑图像x_i与查询图像q的规范化欧氏距离为d_ti，定义x_i与q的参照相似度，如下式：

其中，T表示教师网络的个数，s_i表示参照相似度且s_i∈[0,1)；若参照相似度s_i＝0，则舍弃对应的查询图像q；

根据参照相似度s₁,s₂,…,s_C，为支撑图像列表x＝(x₁,x₂,…,x_C)创建参照相似度列表s＝(s₁,s₂,…,s_C)。

3.根据权利要求1所述的单样本图像分类方法，其特征在于，所述利用排列概率模型构造排序损失函数，具体为：

记π＝[π(1),π(2),…,π(C)]为C个自然数1,2,…,n的一个排列，且记所有排列构成的集合为Ω_n，给定正列表u，定义排列π的概率，如下式：

其中，π(i)表示排在第i位的自然数；

记支撑图像列表x的参照相似度列表为s，并记排序网络为x生成的预测相似度列表为s′，利用s的排列概率P(π|s)和s′的排列概率P(π|s′)构造排序损失函数，如下式：

其中，ω和分别表示特征学习子网和排序学习子网的参数，q表示查询图像，Q表示任一训练情景的查询图像集。

4.根据权利要求1所述的单样本图像分类方法，其特征在于，所述构造混合损失函数，如下式：

其中，表示混合损失函数，表示排序损失函数，表示关系损失函数，λ≥0表示一个正则化参数。