[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

说明书

本发明提出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。所述方法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；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。

技术领域

本发明属于图像识别领域，尤其涉及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。

背景技术

近年来，尽管卷积神经网络已在目标识别、场景分类和图像识别等任务中取得了先进成果，但也存在一些瓶颈问题，比如现有卷积网络模型严重依赖大规模的训练标注数据，难以在训练数据匮乏的场景中发挥效用。相比之下，人类只需少量数据就能做到快速学习的能力展现了生物视觉的优越性，受此启发，研究人员提出了“小样本学习”概念，旨在探索如何在训练样本较少的情况下训练网络以解决新场景下的不同任务。

目前，小样本学习问题主要基于目标识别场景进行算法建模和性能评估，简单来说，可以概括为一种L-way Z-shot的分类任务，即从训练集中随机采用L个不同类别，在从每个类别中抽取Z个标记样本组建支持集S，通过度量查询集Q中未标记样本与支持集之间的关系进行分类。在训练学习阶段，通过以上方式构建大量元训练任务来优化模型参数，随后将其迁移至目标测试类别，在测试样本上开展模型性能评估。

目前，广泛使用的小样本学习方法之一为度量学习技术，其核心思想在于度量支撑集和查询集图像对表征之间的相似性来获取不同样本之间的关系，并以此作为依据来执行分类任务。该方法一般具有两个模块，表征提取模块和关系度量模块，其中表征提取模块主要负责将图像样本嵌入卷积向量空间，而关系度量模块则用来计算支撑-查询样本对之间的相似度得分。关系网络和原型网络模型是该类小样本学习方法的典型代表，两者都采用了表征提取加关系度量的学习框架，只是在度量函数选择上有所不同。

尽管上述基于度量学习的小样本学习方法在小样本目标识别任务中取得了一定成效，却也存在以下缺陷：（1）现有表征提取方法所用的一阶统计特征虽然简洁有效，却存在样本输入规模固定的瓶颈，无法有效整合不同尺度输入图像的抽象表征信息，从而使得图像表征质量有待加强；（2）关系网络的度量模块仅比较了样本对经卷积网络模型处理后的最终表征之间的相似性，而忽略了不同层级抽象表征之间的相关性与互补性，进而无法获取更加全面和准确的判别结果。

发明内容

本发明要解决的技术问题是：如何设计新型关系网络以使小样本学习模型能够提升图像表征质量，进而改善训练样本极少情况下的分类性能。

对此，本发明提出基于多层级二阶表征的小样本学习的图像识别方案，通过设计二阶统计特征和多层级表征架构，使增强后的小样本学习模型能够更好的捕获图像对之间复杂的类关系，从而获得更好的分类效果。

本发明第一方面公开了一种基于多层级二阶表征的小样本学习的图像识别方法。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；