[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

说明书

本发明公开了一种单样本图像分类方法、系统、计算机设备及存储介质，方法包括：生成变体关系网络；训练T个变体关系网络，得到T个教师网络；利用教师网络提取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；构造排序损失函数和混合损失函数；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；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。本发明公开的排序网络可根据相似度对支撑图像进行排序，弥补了现有模型只能判断“是或非”的不足，因而具有更强的泛化能力和更高的分类性能。

技术领域

本发明涉及一种单样本图像分类方法、系统、计算机设备及存储介质，属于深度学习和图像分类领域。

背景技术

人类(甚至婴幼儿)只见过若干个(甚至一个)香蕉、橘子和西瓜，就能区分这几种水果。小样本学习旨在训练出具备这种类人能力的模型——只给模型提供极少量的新类别样本(这些类别不参与训练，叫“新类”；与之相对，参与训练的类别叫“基类”)，它就能执行图像分类。

单样本学习是小样本学习的特例，它指的是训练好的模型能够在每个新类只提供一个样本的情况下进行图像识别。

和其它很多领域一样，目前单样本学习领域的优秀方法大多是基于深度学习的。这些方法可以分成三种：网络微调法、循环神经网络记忆法和度量学习法。三者各有千秋，没有一种方法明显优于其它方法。其中，简单有效的度量学习法应用最为广泛。

小(单)样本度量学习模型的典型代表是加拿大多伦多大学提出的孪生网络、谷歌提出的匹配网络、多伦多大学提出的原型网络和伦敦玛丽女王大学提出的关系网络。其中，最晚出现的关系网络表现最为突出，其网络结构如图1所示(以“5类、单样本、单查询”为例)。

关系网络采用情景训练策略，每个训练情景(即小批)涉及一个支撑图像列表x＝(x₁，x₂，…，x_C)和一个查询图像集Q。记x_i(i∈{1，2，…，C})和查询图像q∈Q的真实关系得分为：

并记关系网络对r_i的预测值为r′_i，则损失函数可定义为：

其中，ω和分别表示特征学习子网和关系学习子网的参数(包括权重和偏置)。

由的定义可看出，关系网络以二值预测为目标——如果支撑图像x_i与查询图像q来自同一类，则期望的关系得分预测值为1(“是”)；否则为0(“非”)。换言之，在关系网络“眼里”，支撑图像只有两种：“与查询图像同类”和“与查询图像异类”；它“一视同仁”地对待四幅异类图像，“看不出”宫殿比其余三者更像教堂(见图1)。可见这种预测过于宽泛和粗略了。如果设定更严格的训练目标，“强迫”模型给出更具体精细的预测(例如，预测C幅支撑图像的顺序，越像查询图像者越靠前)，那么，深度网络学习到的特征必定更富有表现力，更能刻画图像的本质，因而模型将具有更强的泛化能力，其分类结果也将更准确可靠。

发明内容

有鉴于此，本发明提供了一种单样本图像分类方法、系统、计算机设备及存储介质，该方法生成一种新的单样本学习模型——排序网络。借助知识蒸馏和排序学习等技术，排序网络可对图像相似度进行精细预测，进而根据相似度大小对支撑图像进行排序。较之仅能判断“是或非”的现有模型，具备精细辨识力的排序网络拥有更强的单样本分类能力。

本发明的第一个目的在于提供一种单样本图像分类方法。

本发明的第二个目的在于提供一种单样本图像分类系统。

本发明的第三个目的在于提供一种计算机设备。

本发明的第四个目的在于提供一种计算机可读存储介质。