[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

说明书

本发明涉及小样本图像分类领域，具体涉及一种基于特定参数分布生成的小样本图像分类方法及系统，可以有效提高小样本图像分类方法的结果准确性。技术方案包括：构建小样本图像分类神经网络的总体架构，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，构建参数调节网络，所述参数调节网络和分布学习网络具有相同的参数，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，最后输入待分类图像，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。本发明适用于小样本图像分类。

技术领域

本发明涉及小样本图像分类领域，具体涉及一种基于特定参数分布生成的小样本图像分类方法及系统。

背景技术

图像分类神经网络的训练一直具有高度的复杂性，这是由于神经网络需要通多对大量的数据和进行重复的迭代训练才能从数据中学习“知识”。但是，在神经网络小样本学习任务中，没有足够的样本可供给神经网络进行学习。常见的一种方法是通过将其他训练充分网络的知识迁移至小样本学习神经网络来弥补训练样本过少所带来的训练不充分问题。这种将知识从一个网络迁移至另一个网络的方法被称为迁移学习。近年来，越来越多的小样本学习开始和迁移学习相结合。迁移学习可以将在大数据集上训练充分的神经网络中的知识迁移到新网络中，用于处理新的任务。主流的神经网络迁移学习方法有参数直接迁移和参数分布迁移，前者直接将训练后的网络参数作为当前任务网络参数的一部分，而后者则以训练后的网络参数的分布作为正则化参数来指导当前任务网络的训练。

但目前主流的神经网络迁移学习方法根据现有数据直接网络模型训练，其分类准确度不高。

发明内容

本发明的目的是提供一种基于特定参数分布生成的小样本图像分类方法及系统，可以有效提高小样本图像分类方法的结果准确性。

本发明采取如下技术方案实现上述目的，基于特定参数分布生成的小样本图像分类方法，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。

进一步的是，步骤1中，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。

进一步的是，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。

进一步的是，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。

进一步的是，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：

进一步的是，步骤4中，生成初始参数的具体方法包括：