[发明专利]基于图协同训练的半监督小样本图像分类方法

说明书

本发明公开了一种基于图协同训练的半监督小样本图像分类方法，属于模式识别技术领域，该方法提出一种新的标签预测方法——孤立的图学习，通过引入拉普拉斯算子将原始数据编码到图空间，减少分类时对特征的依赖，然后将图空间的样本投影到标签空间进行预测。其次，提出一种半监督的图协同训练方法，通过将孤立图学习扩展到具有旋转模态和镜像模态两种模态特征的图协同训练框架，从多模态融合的角度来解决小样本学习中特征不匹配问题，较大幅度的提升小样本图像的分类性能。

技术领域

本发明涉及模式识别技术领域，特别涉及一种基于图协同训练的半监督小样本图像分类方法。

背景技术

在过去的几年中，基于深度学习的视觉识别方法在某些情况下已经达到甚至超过人类的水平，成功的一个不可缺少的因素是大量的标记数据。但是在实际情况下，数据收集和维护的负担可能很重。因此，针对每个类别中缺乏标记样本的小样本学习吸引了越来越多的关注。

目前，主要的小样本图像分类方法有以下几种：

(1)基于优化的小样本图像分类方法：如果监督信息丰富，就可以通过梯度下降法进行学习并进行交叉验证，但是小样本学习的样本数量少，不足以支撑这种方法，因此提供一个良好的初始化参数θ可以大大降低训练的成本以及错误率。2019年Singh等人将域自适应与MAML结合起来，使得模型在有限的样本上进行快速拟合；2019年Rajeswaran和Finn等人解决了MAML在求解梯度过程中出现的需要计算Hessian矩阵的问题，提出了改进版本iMAML；2019年Lee等人提出的基于可微凸优化的元学习，利用优化的隐式可微性和分类器的低秩特性进行学习；2019年Luca等人使用降维的思想解决小样本学习中数据计算困难的问题，提升了运算速度。

(2)基于度量的小样本图像分类方法：基于度量的小样本学习是将度量学习与小样本学习结合，其基本原理是根据不同的任务来自主学习出针对某个特定任务的度量距离函数。2017年Snell等人提出的原型网络是一种简单高效的小样本学习方法，通过计算嵌入空间中各个原型的中心进行学习；2018年Oreshkin等人通过度量缩放的方式，是原型网络的一种改进，缩小了余弦相似度与欧拉距离在小样本学习上的差距，并提出了辅助任务协同训练，使得具有任务依赖性的特征提取更容易训练，并且具有很好的泛化能力；2018年Ren等人成功的将原型网络的方法应用在了领域；2018年Wang等人通过生成模型生成虚拟数据来扩充样本的多样性并利用原型网络进行训练。不同度量学习的小样本学习方法在小样本图像分类任务上取得了较好的性能，但是由于测试时支持集样本数量很少，原型网络中计算的每一类别的类原型不能很好的表示测试样本整体的分布情况，存在特征不匹配问题，会在一定程度上限制小样本图像分类的性能。

发明内容

为了解决现有技术的小样本图像分类方法在图像分类过程中存在的问题，本发明实施例提供一种基于图协同训练的半监督小样本图像分类方法，通过将孤立图学习扩展到图协同训练框架，从多模态融合的角度来解决小样本学习中特征不匹配问题，较大幅度的提升小样本图像的分类性能。所述技术方案如下：

本发明提供了一种基于图协同训练的半监督小样本图像分类方法包括：

采用卷积神经网络提取图像特征；

采用邻接矩阵对图学习中的边与点之间的关系进行编码，其中，所述邻接矩阵中的元素为：

其中，表示一个图学习，和分别表示点集合和边集合，点集合由图像样本组成；表示邻接矩阵；x_i，(i＝1，2，…，N)是v_i嵌入特征，v_i是的第i个顶点；e表示在一个边；dis(x_i，x_j)表示计算v_i和v_j之间嵌入特征距离的算子；