[发明专利]一种基于改进原型网络的小样本图像分类方法

权利要求书

1.一种基于改进原型网络的小样本图像分类方法，其特征在于，包括以下步骤：

S1、初始化当前任务的图像数据集，将初始化后当前任务的图像数据集划分为训练集和测试集；

S2、利用训练集，并结合外部辅助数据集，对GNN进行训练，得到训练好的GNN；

S3、将训练集和测试集分别输入训练好的GNN，以分别进行特征嵌入，并通过特征编码，分别得到训练集图像特征和测试集图像特征；

S4、根据训练集图像特征，从训练集中筛选出有效样本特征类原型；

S5、将测试集图像特征以及有效样本特征类原型输入CNN，以得到测试集图像样本分别与各类原型之间的相似度；

S6、根据测试集图像样本与各类原型之间的相似度，完成对测试集图像样本的类别划分。

2.根据权利要求1所述的一种基于改进原型网络的小样本图像分类方法，其特征在于，所述训练集包括多个已知类别的图像样本，所述测试集包括多个未知类别的图像样本。

3.根据权利要求1所述的一种基于改进原型网络的小样本图像分类方法，其特征在于，所述步骤S2具体包括以下步骤：

S21、根据当前任务的图像数据集，选取对应的外部辅助图像数据集；

S22、对外部辅助图像数据集进行初始化；

S23、从训练集中随机抽取部分样本，与初始化后的外部辅助图像数据集组成混合的子任务图像样本对；

S24、根据子任务图像样本对，完成对GNN的训练，得到训练好的GNN。

4.根据权利要求3所述的一种基于改进原型网络的小样本图像分类方法，其特征在于，所述步骤S23具体是使用Episodic training的训练策略，从训练集中随机抽取部分样本。

5.根据权利要求3所述的一种基于改进原型网络的小样本图像分类方法，其特征在于，所述步骤S24具体是根据子任务图像样本对，利用GNN的边和节点的更新，通过多次学习与优化，以对嵌入参数进行训练，得到训练好的GNN。

6.根据权利要求2所述的一种基于改进原型网络的小样本图像分类方法，其特征在于，所述步骤S4具体包括以下步骤：

S41、根据训练集图像特征，采用加权均值的方式，计算训练集样本的加权类原型；

S42、根据加权类原型，从训练集中筛选出有效样本特征类原型。

7.根据权利要求6所述的一种基于改进原型网络的小样本图像分类方法，其特征在于，所述步骤S42具体是将加权类原型作为任务相关的特征表示，利用任务相关的特征表示对当前任务的训练集样本进行筛选，以区分出有效样本特征和干扰样本特征，并将干扰样本特征剔除，仅保留有效样本特征。

8.根据权利要求7所述的一种基于改进原型网络的小样本图像分类方法，其特征在于，所述步骤S42具体是采用布尔逻辑的方式，以区分出有效样本特征和干扰样本特征，其中，“1”表示有效样本特征，“0”表示干扰样本特征。

9.根据权利要求6所述的一种基于改进原型网络的小样本图像分类方法，其特征在于，所述步骤S5的具体过程为：采用CNN作为动态度量网络，将测试集图像特征以及有效样本特征类原型输入CNN，同时动态地学习CNN中的度量参数，随着CNN中度量参数的不断调整与更新，利用网络参数和原型权重不断计算和更新测试集图像特征与训练集中各类原型的相似性度量，在对当前任务测试集图像样本计算度量时，不断用图像样本特征来修正各类别的图像类原型的权重值，让原型更为准确，最终得到各测试集图像样本分别与各类原型的相似度。

10.根据权利要求9所述的一种基于改进原型网络的小样本图像分类方法，其特征在于，所述步骤S6的具体过程为：按照数值大小，将测试集图像样本分别与各类原型之间的相似度进行排序，其中，最大相似度对应的类原型即为该测试集图像样本的判定类别。