[发明专利]一种用于小样本学习的双流卷积神经网络

权利要求书

1.一种用于小样本学习的双流卷积神经网络，其特征在于：利用小样本图像分类的训练集构建支持集和查询集，在卷积神经网络中引入辅助流嵌入网络，提取主要目标的显著特征，并与主流网络的整体嵌入特征相融合。

2.根据权利要求1所述用于小样本学习的双流卷积神经网络，其特征在于：所述支持集的构建过程为先从训练集中采样N个类别，再从每个类别随机采样K个有标签数据，所述支持集的数学表达为：；且所述查询集得自于相同的N个类别中采样归入支持集后余下的一批样本，所述查询集的数学表达为：，其中，是一个样本的维度为的特征向量，是对应的标签。

3.根据权利要求1所述用于小样本学习的双流卷积神经网络，其特征在于：包含基于主流网络的特征向量嵌入及相似度评分，维度为Y的表示向量通过嵌入函数得到，其中为模型的可训练参数，对第个训练轮次，通过计算属于类别的嵌入样本的均值向量得到每个特征原型，，其中和分别为第t个样本及其标签；给定一个距离函数，根据在嵌入空间中与特征原型的距离对查询集中一个样本生成对应各分类的分布：，基于N个类别的支持样本与查询样本之间的距离度量，得到来自主流网络的相似度得分。

4.根据权利要求1所述用于小样本学习的双流卷积神经网络，其特征在于：包含基于辅助流网络的特征向量嵌入及相似度评分，从支持集获得前景图像并生成嵌入向量，构建辅助流损失，并基于距离度量，得到来自辅助流网络的相似度得分。

5.根据权利要求4所述用于小样本学习的双流卷积神经网络，其特征在于：获取前景图像为使用显著性目标检测方法预测显著图，继而提取前景图像，其中显著性目标检测方法选为预先训练所得、深度有监督的BASNet，对于一个图像，定义所得显著图像，前景图像，则令，通过复制将向量沿单一维度扩展为更大维度，并且提取前景图像的数学表达为，其中表示阿达玛乘积。

6.根据权利要求1所述用于小样本学习的双流卷积神经网络，其特征在于：还包含相似度得分的分数融合，首先将所有类别的每个相似度得分总和进行调整，调整的数学表达为：，其中表示缩放后的辅助流相似度得分；然后计算最终得分，计算的数学表达为：，其中是融合系数，最后通过argmax函数，以中得分最大的类别作为对分类结果的最终预测。

7.根据权利要求6所述用于小样本学习的双流卷积神经网络，其特征在于：所述融合系数取值为0.9。