[发明专利]面向小样本图像分类的任务相关度量学习方法及装置

说明书

本发明公开了一种面向小样本图像分类的任务相关度量学习方法及装置，方法主要由数据预处理阶段、构建网络模型阶段、训练模型参数阶段和测试模型性能阶段组成，本发明通过考虑不同任务之间的差异性，引入注意力机制的思想，并学习任务相关的空间映射，利用任务自适应度量学习的方式，解决了小样本图像分类中存在的自适应度量学习问题，从而提高在小样本条件下目标任务分类的准确性，改善了图像的分类效果，具有很高的实用价值。

技术领域

本发明涉及计算机视觉领域中图像分类，尤其涉及一种面向小样本图像类内共性特征的任务相关度量学习方法及装置。

背景技术

近年来，随着计算机技术的发展，人们浏览的信息日益丰富，每天都有大量图片被上传到网络，由于数量巨大，人工已经无法对此进行分类。在很多大样本图像分类任务上，机器的识别性能已经超越人类。然而，当样本量比较少时，机器的识别水平仍与人类存在较大差距。因此，研究高效可靠的图片分类算法有很迫切的社会需求。

人类具体通过极少量样本识别一个新物体的能力，例如小朋友只需要看过书中的个别图片，就可以准确的判断什么是“香蕉”或者是“草莓”。小样本学习指的是研究人员希望机器学习模型在学习一定类别的大量数据后，遇到新的类别后，只需要少量的数据就可以快速的学习，实现“小样本学习”。

小样本分类属于小样本学习范畴，往往包含类别空间不相交的两类数据，即基类数据和新类数据。小样本分类旨在利用基类数据学习的知识和新类数据的少量标记样本(支持样本)来学习分类规则，准确预测新类任务中未标记样本(查询样本)的类别。

在小样本图像分类的研究方法中，基于深度度量的方法简单而且高效，主要通过比较样本间或者样本与类原型间的距离来判断类别。常常结合数据增强、迁移学习等技术来弥补数据量不足以及模型容易过拟合的缺陷，在很多小样本分类任务上获得了较好的分类性能。但与大样图像分类相比，现有小样本图像分类的性能仍不尽人意，很大程度上限制了小样本图像分类技术的实用化，在自适应的度量学习中还面临着以下问题亟待解决：

现有小样本分类方法中，大多假设小样本分类任务使用一个单一的度量方式，例如余弦距离、欧氏距离或一个可学习的度量网络模块。不同的任务包含不同的类别，有些任务适用余弦距离，有些任务适用欧氏距离。因此，如何构建任务自适应的度量也是小样本图像分类值得研究的问题。

发明内容

本发明针对上述技术问题，提出一种面向小样本图像分类的任务相关度量学习方法及装置，引入了注意力机制的思想，利用任务自适应度量学习的方式，通过考虑不同任务之间的差异性，并学习任务相关的空间映射，解决了小样本图像分类中存在任务自适应的度量问题，对于图像的分类效果十分明显，具有很高的实用价值。

为了实现上述目的，本发明提供如下技术方案：

一方面，本发明提供了一种面向小样本图像分类的任务相关度量学习方法，包括以下步骤：

S1、对数据进行预处理，其中数据包括训练集D_train和测试集D_test，训练集D_train和测试集D_test的类别空间互斥；

S2、构建面向小样本图像分类的任务相关度量学习模型，模型由嵌入模块和任务相关度量模块组成；其中，嵌入模块包含四个卷积块，每个卷积块均包括卷积层、池化层以及非线性激活函数；任务相关度量模块由注意力模块和余弦度量模块组成；

S3、将训练集数据送入面向小样本图像分类的任务相关度量学习模型进行训练，求解模型参数；

S4、利用训练后的面向小样本图像分类的任务相关度量学习模型对新类任务进行预测，测评模型的性能。