[发明专利]一种基于对抗增强的小样本图像数据拓展方法

权利要求书

1.一种基于对抗增强的小样本图像数据拓展方法，其特征在于，如下步骤：

1)通过残差卷积编码器，提取包含样本图像语义信息的样本图像特征向量，所述的残差卷积编码器包含编码卷积神经网络与残差映射；

2)利用标准高斯分布采样得到噪声样本信息，并通过线性映射，生成标准高斯噪声向量；

3)将步骤1)得到的样本图像特征向量与步骤2)得到的标准高斯噪声向量传入多层感知机，得到最终编码向量；

4)根据步骤3)得到的最终编码向量，通过逆残差卷积解码器解码生成增强图像，构成增强图像集，所述的逆残差卷积解码器包含解码卷积神经网络与逆残差映射；

5)对增强图像集中的图像进行评估筛选，将筛选后的图像作为数据拓展结果。

2.根据权利要求1所述的基于对抗增强的小样本图像数据拓展方法，其特征在于，所述的步骤5)具体为：

5.1)通过辅助图重构器重构增强图像的图像语义，生成增强图像集特征向量；

5.2)利用多层图表示门，对步骤5.1)得到的增强图像集特征向量提取多层语义，并聚合多层语义得到每一张增强图像的多层级表示聚合向量；

5.3)将原始样本图像分为源域和验证域，首先针对源域图像进行类结构化处理，生成K类关系结构，每一类图像利用原型图神经网络处理，得到对应的原型图；

针对验证域图像，重复步骤5.1)至5.2)，提取验证域图像的多层级表示聚合向量，根据图像类别划分相对应的K类关系结构，计算验证域图像聚合向量与源域图像相对应关系结构的原型图之间的欧氏距离，取均值作为该类关系结构的相似性阈值；

5.4)计算步骤5.2)得到的每一张增强图像的多层级表示聚合向量与源域图像相对应关系结构的欧式距离d，保留欧式距离d小于或等于阈值的增强图像作为数据拓展结果。

3.根据权利要求1所述的基于对抗增强的小样本图像数据拓展方法，其特征在于，步骤1)所述的残差卷积编码器，具体为：

对初始样本图像进行批标准化处理，通过交叉熵增损失函数的编码卷积神经网络对其进行卷积操作，所述的编码卷积神经网络的结构为四层3*3卷积层，每一层卷积层的输出连接下采样层，将第i层下采样层的输出记为y_i；

小样本图像数据拓展方法将编码卷积神经网络第i层卷积层的输入x_i通过残差映射，得到与每层输出维度相等的残差输出r_i，其中残差映射计算式为r_i＝x_i·w^k·j，k为编码卷积神经网络第i层输入的维度，j为编码卷积神经网络第i层输出的维度，w为残差映射矩阵；

将残差输出r_i加和至当前卷积层对应的下采样层输出y_i，作为下一层卷积层的输入x_i+1＝y_i+r_i；直至得到最后一层卷积层对应的下采样层输出，作为编码卷积神经网络最终输出的样本图像特征向量f。

4.根据权利要求1所述的基于对抗增强的小样本图像数据拓展方法，其特征在于，步骤2)中所述的生成标准高斯噪声向量，具体为：

2.1)通过标准高斯变换z＝n(0,1)，得到随机标准高斯噪声z；

2.2)将步骤2.1)得到的随机标准高斯噪声z通过线性映射变换Z＝z·w^1·d，得到标准高斯噪声向量Z，其中d为编码卷积神经网络最终输出的向量维度。

5.根据权利要求1所述的基于对抗增强的小样本图像数据拓展方法，其特征在于，步骤3)所述的多层感知机采用全连接神经网络，用于将编码卷积神经网络最终输出的样本图像特征向量与标准高斯噪声向量按维度连接，得到最终编码向量。