[发明专利]小样本图像分类的系统、方法、设备及存储介质

说明书

本申请公开了一种基于自编码器的图神经网络机制解决小样本图像分类的系统、方法、设备及存储介质，属于计算机视觉技术领域。解决了现有技术中无法同时利用样本类内与类间分布情况的不足。本申请1)针对于基类数据集，依据重构损失最小化准则，训练一个自编码器，学习类内样本间的差异信息。2)将支持集的样本输入到自编码器中，为支持集生成更多的重构样本。3)将支持集的样本、重构样本和查询集样本一起训练出图神经网络，用来对查询集样本节点进行边标签的预测，进而预测节点所属的类别。本申请提高了小样本情况下模型的性能和泛化能力。

技术领域

本申请涉及一种小样本图像分类的系统、方法、设备及存储介质，尤其涉及一种基于自编码器的图神经网络机制解决小样本图像分类的系统、方法、设备及存储介质，属于计算机视觉技术领域。

背景技术

近几年，随着人工智能的迅猛发展，小样本图像分类问题已经成为计算机视觉领域的一个重要问题，也是目前非常具有挑战性的热点问题。该问题的目标是当仅存少量新类的训练样本时，可以提高模型的泛化能力和图像分类的准确率。

目前大多数小样本学习(few shot learning)方法主要集中在图像分类的问题上，它们的方法大多是将支持集样本映射到一个特定的隐空间，再将测试样本与已知样本进行度量来预测测试样本的标签；或者利用对抗生成网络为支持集生成更多的样本，以提高分类器的性能。这两种方法都有各自的优点，但是这样的方法仅仅关注类间或者类内的样本分布，没有同时利用类间与类内的样本分布情况，所以不能取得较为满意的效果。

发明内容

有鉴于此，本申请提供一种基于自编码器的图神经网络机制解决小样本图像分类的系统、方法、设备及存储介质，以解决现有技术中无法同时利用样本类内与类间分布情况的不足。本申请将使用自编码器捕获类内样本间的差异信息，利用图神经网络传递样本类间的不相似性信息与类内样本的相似性信息，本申请首先利用自编码器学习类内样本的差异关系及样本在特征空间上的分布情况，然后利用图神经网络对样本的类内相似性信息与类间的不相似性信息进行聚集传递，最后根据查询集样本节点与邻接节点的关系，预测查询集样本的标签。

本申请的技术方案是这样实现的：

方案一：一种基于自编码器的图神经网络机制解决小样本图像分类的系统，包括：

特征提取器，用于提取图像样本特征；

数据集模块，用于将图像样本特征分为支持集和查询集；

自编码器，所述自编码器包括编码器和解码器，编码器用于学习样本间的差异信息，解码器用于解码差异信息和支持集的样本并为支持集生成重构样本；

图神经网络模型，所述图神经网络模型为支持集样本、支持集的重构样本、查询集样本一起训练获得，学习一个特定的隐空间，不断更新样本节点信息和连接节点的边信息，用于预测新类样本标签，提高小样本图像分类的准确率。

进一步地：所述图神经网络模型包括特征映射网络模型、节点特征转移网络模型和度量网络模型。

进一步地：所述编码器与解码器各包含一个多层感知机MLP，MLP包括一个8192单元的隐藏层和一个ReLU的激活层。

方案二：基于自编码器的图神经网络机制解决小样本图像分类的方法，包括：

步骤一，对于输入的基类数据集和支持集，训练出基于注意力模型的自编码器来编解码支持集的样本；

步骤二，对于输入的支持集，得到自编码器的输出，该输出为支持集的重构样本；将支持集样本、重构样本和查询集样本一起训练出图神经网络；

步骤三，对于查询集的样本，根据图神经网络边标签的预测，得到查询样本节点所预测的类别。

进一步地，所述步骤一，具体步骤为：