[发明专利]基于原型网络的小样本垃圾图像分类方法

权利要求书

1.基于原型网络的小样本垃圾图像分类方法，其特征在于，包括如下主要步骤：

步骤1、图像的采集与预处理：使用摄像头采集若干垃圾图像构建垃圾分类数据集I，并将数据集I分为训练集I_train和测试集I_test；对于图像数据集I中的每一幅图像利用伽玛校正方法对进行预处理，增加图像的亮度，便于后续的分类识别；

步骤2、原型网络的构建：该网络主要是由四个模块组成，分别为主干网络，原型计算模块，相似性计算模块以及Softmax层；

步骤3、原型网络的输入与输出：采用片段式训练方式，在每个训练片段构建N-way-K-shot分类任务，每个分类任务利用训练集I_train建立支持样本数据集和查询样本数据集将和中的图像输入到原型网络中，依次经过网络的四个模块，得到关于查询样本的类别概率输出值；

步骤4、原型网络的训练：计算查询样本类别概率输出值与真实标签值之间的损失函数，利用梯度下降方法对网络中的参数进行优化；

步骤5、垃圾图像的分类测试：固定原型网络中的参数，利用测试数据集I_test建立支持样本数据集和测试样本数据集，并将其输入到原型网络中，依次经过网络的三个模块，就得到关于查询样本的类别输出值，从而完成对垃圾图像的分类测试。

2.根据权利要求1所述基于原型网络的小样本垃圾图像分类方法，其特征在于，步骤1图像的采集与预处理具体方法如下：

(1)使用摄像头采集若干垃圾图像构建垃圾分类数据集I，并将数据集I随机分为训练集I_train和测试集I_test，并对两个数据集中的图像进行人工标注为四类，这四类标签分别为湿垃圾、干垃圾、可回收垃圾和有害垃圾；

(2)对于图像数据集I中的每一幅图像利用伽马校正方法进行预处理，第n幅图像I_n进行校正的公式为：

其中为校正后的图像，c和γ表示可调的参数。

3.根据权利要求1所述基于原型网络的小样本垃圾图像分类方法，其特征在于，步骤2原型网络的构建具体方法如下：

(1)原型网络中的主干网络是由四个卷积模块组成，每一个卷积模块包含一个带有64个3×3滤波器的卷积层，一个批量归一化层和一个ReLU激活层组成；另外，前两个卷积块还增加了2×2最大池层；主干网络表示为F_θ(·)，其中θ表示主干网络中的参数；

(2)原型网络中的原型计算模块表示为P(·)，该模块对每类支持样本的特征进行均值计算；

(3)原型网络中的相似性计算模块表示为D(·)，该模块计算查询样本与每类支持样本原型之间的欧式距离；

(4)原型网络中的softmax层表示为S(·)，该模块将查询样本与每类支持样本原型之间的欧式距离转化为概率输出值。

4.根据权利要求1所述基于原型网络的小样本垃圾图像分类方法，其特征在于，步骤3原型网络的输入与输出具体方法如下：

(1)在训练集I_train中随机抽取N类样本，在N类样本里随机抽取K个样本作为支持样本数据集再在剩余样本里面随机抽取Q个样本作为查询样本集

(2)支持样本集中第k个校正后图像样本表示为查询样本集中第q个图像样本表示为经过原型网络的主干网络分别被表示为和支持样本集经过原型计算模块时每类原型特征的计算公式为：

(3)支持样本集与查询样本集经过相似性度量模块时，对第q个图像样本特征与第n类支持原型特征的相似性度量计算公式为：

(4)查询样本集经过softmax层得到属于第n个类别的概率输出值表示为：

5.根据权利要求1所述基于原型网络的小样本垃圾图像分类方法，其特征在于，步骤4原型网络的训练具体方法如下：

(1)查询样本类别概率输出值与真实标签值之间的损失函数计算公式为：

其中y_qn表示第q个查询样本真实标签的第n个分量；

(2)利用梯度下降方法对网络中的参数θ进行优化，进行迭代计算的公式为：

其中λ为迭代步长参数。

6.根据权利要求1所述基于原型网络的小样本垃圾图像分类方法，其特征在于，步骤5垃圾图像的分类测试具体方法如下：

(1)固定原型网络中的参数θ；

(2)在测试集I_test中随机抽取N类样本，在N类样本里随机抽取K个样本作为支持样本数据集再在剩余样本里面随机抽取Q个样本作为查询样本集

(3)支持样本集中第k个校正后图像样本表示为查询样本集中第q个图像样本表示为经过原型网络的主干网络分别被表示为和支持样本集经过原型计算模块时每类原型特征的计算公式为：

(4)支持样本集与查询样本集经过相似性度量模块时，对第q个图像样本特征与第n类支持原型特征的相似性度量计算公式为：

(4)查询样本集经过softmax层得到属于第n个类别的概率输出值表示为：