[发明专利]基于多层级二阶表征的小样本学习的图像识别方法和系统

权利要求书

1.一种基于多层级二阶表征的小样本学习的图像识别方法，其特征在于，所述方法包括：

步骤S1、从测试图像集包含的L类测试子集中的每个测试子集中随机抽取Z张测试图像，以形成测试阶段的支撑图像集，并从所述L类测试子集中除被抽取的L×Z张测试支撑图像以外的剩余图像中随意选取一张测试图像，以形成所述测试阶段的查询图像集；

步骤S2、从训练图像集包含的K类训练子集中随机选取L类训练子集，并从所述L类训练子集中的每个训练子集中随机抽取Z张训练图像，以形成训练阶段的支撑图像集，并从所述L类训练子集中除被抽取的L×Z张训练图像以外的剩余图像中随意选取一张训练图像，以形成所述训练阶段的查询图像集；

步骤S3、利用所述训练阶段的支撑图像集和所述训练阶段的查询图像集来训练图像识别分类器，经训练的所述图像识别分类器用于对所述测试阶段的查询图像集中的图像进行识别分类，以确定其在所述测试阶段的支撑图像集中所属的类别；

其中，所述测试阶段的查询图像集中图像所属的类别为未知状态，所述训练阶段的查询图像集中的图像所属的类别为已知状态；

其中，L类测试子集所属的L个类别与所述K类训练子集所属的K个类别各不相同，L、Z、K、M均为正整数，且K≥L；

其中，所述图像识别分类器包含表征提取模块和关系度量模块，所述表征提取模块包含串联的M个网络卷积块，以及分别与所述M个网络卷积块对应相连的M个二阶池化层，所述关系度量模块包含分别与所述M个二阶池化层对应相连的M个基础学习器，以及汇总所述M个基础学习器的学习结果的结果预测单元；

其中，在所述步骤S3中，利用所述训练阶段的支撑图像集和所述训练阶段的查询图像集来训练所述图像识别分类器，具体包括：

获取所述训练阶段的查询图像集中的图像经第j个卷积网络块的抽象表征和第i类训练子集中的所述Z张训练图像经第j个卷积网络块的平均抽象表征，j∈{1,2,...,M}，i∈{1,2,...,L}；

第j个二阶池化层对所述训练阶段的查询图像集中的图像经第j个卷积网络块的抽象表征和所述第i类训练子集中的所述Z张训练图像经第j个卷积网络块的平均抽象表征经外积操作和正则操作后进行拼接处理，以获取拼接图像表征，将所述拼接图像表征发送至与所述第j个二阶池化层对应连接的第j个基础学习器；

所述第j个基础学习器基于所述拼接图像表征，通过学习确定所述训练阶段的查询图像集中的图像属于所述第i类训练子集所属的类别的概率值，所述结果预测单元汇总所述M个基础学习器的概率值，得到所述训练阶段的查询图像集中的图像属于所述第i类训练子集所属的类别的总概率值；

基于所述训练阶段的查询图像集中的图像属于所述第i类训练子集所属的类别的总概率值，来判断所述图像识别分类器的识别分类准确度，以进一步完成对所述图像识别分类器的训练。

2.根据权利要求1所述的一种基于多层级二阶表征的小样本学习的图像识别方法，其特征在于，在执行所述步骤S3之前，所述方法还包括，对所述训练阶段的支撑图像集和所述训练阶段的查询图像集包含的L×Z+1张训练图像进行预处理，所述预处理包括：

对于所述L×Z+1张训练图像中的每张图像，均执行尺度变换以获取D张训练子图像，所述D张训练子图像为基于D个不同尺度的图像，通过所述尺度变换得到的（L×Z+1）×D张训练子图像被输入至所述图像识别分类器以进行训练。

3.根据权利要求2所述的一种基于多层级二阶表征的小样本学习的图像识别方法，其特征在于，在所述步骤S3中，获取所述训练阶段的查询图像集中的图像经第j个卷积网络块的抽象表征，具体包括：

获取所述训练阶段的查询图像集中的图像，将其基于所述D个不同尺度的D张训练子图像经过串联的M个卷积网络块，以分别提取所述训练阶段的查询图像集中的图像经第j个卷积网络块的抽象表征。