[发明专利]图像分类方法、装置、计算机可读存储介质及电子装置

说明书

本发明涉及一种图像分类方法、装置、计算机可读存储介质及电子装置。其中，该方法包括：分别对支持集图像、查询集图像进行分块处理，得到支持样本分块图像、查询样本分块图像；基于特征嵌入网络分别提取支持样本分块图像对应的目标特征、查询样本分块图像对应的目标特征，得到支持样本分块图像对应的特征向量、查询样本分块图像对应的特征向量；确定支持样本对应的自适应特征向量，并基于迭代学习的方式拟合出支持样本对应的类原型；根据查询样本分块图像对应的特征向量和支持样本对应的类原型，对查询样本分块图像进行分类。本发明解决了相关技术中的小样本图像分类的方式容易受到干扰因素影响，进而存在误判，分类效果较差的技术问题。

技术领域

本发明涉及图像识别技术领域，具体而言，涉及一种图像分类方法、装置、计算机可读存储介质及电子装置。

背景技术

近年来，图像分类任务在深度模型下由于大数据的驱动取得了巨大成效。在某些任务中，算法分类精度已超过了人类。然而，取得如此优异的分类成效，需要借助大量的训练样本。而在航天、医疗等领域，获取大量样本无疑是困难或者几乎无法实现的。因此基于小样本的图像分类方法变得至关重要。小样本图像分类任务的目标是在训练集样本数量较少的情况下，学习拟合出一个具有较好泛化性能的模型，使得面对新目标时能迅速完成目标分类的任务。

现有的大多基于度量的小样本图像分类方法中，关于K-shot的支持集样本表征，通常采用计算样本特征向量的均值作为类别的原型表示，进而将查询集样本逐个与支持集各类别原型进行距离度量来实现样本分类。事实上，借助上述方法得到的原型去执行分类任务，会导致样本更易发生误判。对于一些样本集中有遮挡、背景区域大于目标区域的图像，计算得到的原型会包含较大噪声。

因此，对于K-shot任务，其只是简单的使用支持集嵌入向量的均值作为类原型，一方面会导致一些有杂乱相似背景和样本外形结构变化大的图像有较大的原型表示偏差；另一方面会引发模型在学习过程中对目标的关注从最具判别的部位，偏移到其他干扰区域。

针对上述相关技术中的小样本图像分类的方式容易受到干扰因素影响，进而存在误判，分类效果较差的问题，目前尚未提出有效的解决方案。

发明内容

本发明实施例提供了一种图像分类方法、装置、计算机可读存储介质及电子装置，以至少解决相关技术中的小样本图像分类的方式容易受到干扰因素影响，进而存在误判，分类效果较差的技术问题。

根据本发明实施例的一个方面，提供了一种图像分类方法，包括：分别对支持集图像、查询集图像进行分块处理，得到支持样本分块图像、查询样本分块图像；基于特征嵌入网络分别提取所述支持样本分块图像对应的目标特征、所述查询样本分块图像对应的目标特征，得到所述支持样本分块图像对应的特征向量、所述查询样本分块图像对应的特征向量，其中，所述特征嵌入网络用于提取目标图像的特征，所述目标图像包括以下至少之一：所述支持样本分块图像、所述查询样本分块图像；根据所述支持样本分块图像对应的特征向量、所述查询样本分块图像对应的特征向量，确定所述支持样本对应的自适应特征向量，并基于迭代学习的方式拟合出所述支持样本对应的类原型；根据所述查询样本分块图像对应的特征向量和所述支持样本对应的类原型，对所述查询样本分块图像进行分类。

可选地，所述特征嵌入网络至少包括：深度残差网络与全局平均池化层，其中，所述深度残差网络用于提取目标图像的初始特征，所述全局平均池化层用于对所述初始特征进行全局平均池化和位置置换操作，得到所述目标图像对应的目标特征。

可选地，所述深度残差网络包括四个连接的残差块，其中，每个所述残差块包含三个卷积块，每个所述卷积块至少包含一个预定卷积核为X*X且步长为Y的卷积层、一个归一化层以及一个激活函数，其中，X、Y均为正整数。