[发明专利]基于嵌入增强和自适应的小样本图像增量分类方法及装置

说明书

本发明提出一种基于嵌入增强和自适应的小样本图像增量分类方法，该方法包括：获取图像增量分类系统，该系统用于对待分类图像进行分类任务；获取待分类图像，并上传至系统进行识别，在系统识别失败时，获取该类别少量图像作为训练样本，并将其通过特征预训练模块计算得到目标原型，并通过混合关系映射模块对目标原型和/或原始原型进行自适应调整，以更新系统中所有原型，实现对该类别待分类图像的分类识别；在系统识别成功时，将待分类图像通过特征预训练模块、混合关系映射模块和分类器进行分类识别，并输出分类结果。该方法用于增强分类器的可扩展性，以及引入混合关系映射机制，优化样本的原型表示，使系统逐渐适用于所有可见类图像的识别。

技术领域

本发明涉及自动识别技术领域，尤其涉及一种基于嵌入增强和自适应的小样本图像增量分类方法及装置。

背景技术

得益于大量标记数据集的可用性，深度学习技术在许多计算机视觉任务中取得了显著的成功。而手动标记数据是一个昂贵且耗时的过程，并且图像种类繁多，几乎不可能一次性完整标注所有可能的图像类型，因此，当前大多数分类算法的开发大都处在一个封闭、静态的环境下，针对一种或几种特定类别而开发的。但实际场景通常是动态、开放和非平稳的，随着新类别样本的不断出现，分类算法需要大量新类标注数据和旧数据对模型进行再训练，造成成本高。同时，新类别的数据量往往比较少，数据的稀缺性会导致模型严重过拟合，不利于增量学习的进行。目前图像分类领域相关的主要研究方案有：

方案1)增量学习：旨在能够处理现实世界中连续出现的足够量的新增数据，在学习新知识的同时，保留甚至整合、优化旧知识。大部分研究方法通过存储有限的旧类样本或基于损失学习以从旧类中获得知识，以防止忘记以前的任务，这些方法在新增样本数据量充足的情况下效果很好，但是当增量样本较少的情况下表现不佳，小样本增量学习中的数据短缺问题将进一步加剧知识遗忘和过度拟合问题。

方案2)小样本学习：旨在当仅从稀有的标记训练示例中进行训练时，该模型可以对看不见的图像进行分类。大部分研究通过元学习、度量学习或优化学习等方式训练任模型参数，并让该模型能快速适配新的小样本数据，但是模型更专注于捕获对当前任务有用的特征，而丢弃那些对之前任务或者未来任务有判别性的数据特征，不利于增量学习的进行。

方案3)增量小样本学习：旨在从少量样本数据增量性地具备分类新类别而不忘记旧类别的能力。目前研究中主要有两种方式：一种是通过少量新样本数据对嵌入模型进行微调并统一分类器，但在新会话中对网络进行微调会导致旧类别的知识遗忘；另一种是将嵌入表示和分类器的学习解耦，在学习新任务时只更新分类器，但冻结嵌入表示网络对于后续的小样本增量任务的特征嵌入缺乏适应性，不利于新样本的自适应学习。

因此，现有技术中，大部分的研究工作还未能提出有效的方法缓解真实场景动态发展的问题，使深度学习技术在相关领域的发展受到限制。针对现有技术存在的缺点，本发明在方案3)将嵌入表示和分类器解耦的基础上设计了一种基于嵌入增强和自适应的小样本图像增量分类方法及装置，与其不同的是，我们认为良好泛化的特征嵌入对后续小样本增量任务至关重要，因此我们进一步增强特征提取网络；同时采用混合关系映射的方式对原型表示和查询数据特征嵌入表示进行自适应调整。

发明内容

本发明旨在至少在一定程度上解决相关技术中的技术问题之一。

为此，本发明的第一个目的在于提出一种基于嵌入增强和自适应的小样本图像增量分类方法，以实现在出现新类别图像时，避免对模型完全重新训练、大大减少计算资源开销以及促进系统的长期运营。

本发明的第二个目的在于提出一种基于嵌入增强和自适应的小样本图像增量分类装置。

本发明的第三个目的在于提出一种非临时性计算机可读存储介质。

本发明的第四个目的在于提出一种计算机程序产品。

为达上述目的，本发明第一方面实施例提出了一种方法，包括：