[发明专利]基于特定参数分布生成的小样本图像分类方法及系统

权利要求书

1.基于特定参数分布生成的小样本图像分类方法，其特征在于，包括：

步骤1、构建小样本图像分类神经网络的总体架构，所述总体架构包括分布学习网络的架构、参数调节网络的架构以及小样本图像分类神经网络的架构；

步骤2、获取多种卷积神经网络的参数作为参数训练集；

步骤3、使用参数训练集训练分布学习网络；

步骤4、通过训练后的分布学习网络生成小样本图像分类神经网络的初始参数；

步骤5、在参数调节网络的调节下，使用目标数据集来训练小样本图像分类神经网络，所述目标数据集为待分类图像集合；

步骤6、输入待分类图像，通过小样本图像分类神经网络提取其特征，并判断所属类别。

2.根据权利要求1所述的基于特定参数分布生成的小样本图像分类方法，其特征在于，所述参数调节网络与分布学习网络具有相同的结构和参数。

3.根据权利要求1所述的基于特定参数分布生成的小样本图像分类方法，其特征在于，步骤2中，多种卷积神经网络包括VGG、DensNet、AlexNet以及ResNet卷积神经网络。

4.根据权利要求1所述的基于特定参数分布生成的小样本图像分类方法，其特征在于，步骤3中，所述分布学习网络通过对抗生成网络来构建组成，分布学习网络的优化目标函数为：

G和Ｄ分别表示生成器和判别器，x是训练数据集的数据，z是从模型中采样得到的数据,P_data表示真实数据的分布,P_z表示模拟数据的分布，表示x在P_data上的期望。

5.根据权利要求4所述的基于特定参数分布生成的小样本图像分类方法，其特征在于，对优化目标函数按照先优化D，再优化G的策略，将优化目标函数分解如下：

6.根据权利要求1所述的基于特定参数分布生成的小样本图像分类方法，其特征在于，步骤4中，生成初始参数的具体方法包括：

随机生成符合小样本学习网络所需卷积核个数为N个7×7的随机高斯噪声图像，然后将所述高斯噪声图像输入至分布学习网络，生成小样本图像分类神经网络的初始参数。

7.根据权利要求1所述的基于特定参数分布生成的小样本图像分类方法，其特征在于，步骤5中，使用目标数据集来训练小样本图像分类神经网络的具体方法包括：

使用目标数据集对小样本图像分类神经网络进行调整性训练，得到新的参数；使用参数调节网络对新的参数进行调整；然后使用调整后的参数替换小样本图像分类神经网络中的对应原参数，再通过目标数据集对小样本图像分类神经网络进行调整性训练，直至小样本图像分类神经网络在目标数据集训练的损失函数达到设置条件。

8.根据权利要求1所述的基于特定参数分布生成的小样本图像分类方法，其特征在于，步骤6中，通过小样本图像分类神经网络提取其特征，并判断所属类别的具体方法包括：

使用小样本图像分类神经网络对输入的图像进行特征提取，特征为小样本图像分类神经网络的卷积核层层卷积后得到的特征图，对特征图进行池化处理使其维度降低到设置值后，再由最后的全连接层对其进行分类，并判断所属类别。

9.基于特定参数分布生成的小样本图像分类系统，应用于权利要求1-8任意一项所述的基于特定参数分布生成的小样本图像分类方法，其特征在于，包括：

参数生成模块，用于构建小样本图像分类神经网络的总体架构，所述总体架构包括分布学习网络的架构、参数调节网络的架构以及小样本图像分类神经网络的架构，将多种卷积神经网络的参数作为参数训练集使用参数训练集训练分布学习网络，通过训练后的分布学习网络生成小样本图像分类神经网络的初始参数；

网络训练模块，用于在参数调节网络的调节下，使用目标数据集来训练小样本图像分类神经网络，所述目标数据集为待分类图像集合；

在线分类模块，用于输入待分类图像，通过小样本图像分类神经网络提取其特征，并判断所属类别。