[发明专利]一种小样本图像数据集划分方法及计算机可读存储介质

权利要求书

1.一种小样本图像数据集划分方法，其特征在于，所述方法包括：

S1.获取目标图像数据集的深度特征：利用距离度量学习的深度神经网络获取目标图像数据集的深度特征，构造带有中心损失的损失函数优化训练网络，将目标图像数据转化为其对应的深度特征向量；

S2.样本聚类：利用基于距离聚类算法，对获取的目标图像数据集的深度特征，按照数据集原有的类别标签，将不同图片的深度特征表示输入距离聚类算法，算法输出聚类划分中心，然后根据聚类划分中心对每个类别的图片内部进行聚类，得到每一个样本所属的层次；

S3.分层采样：根据聚类结果，利用分层采样的方式在每一类数据的不同层次中进行采样，得到分布均匀的训练集以及测试集，用于后续模型的训练。

2.根据权利要求1所述的目标图像数据集划分方法，其特征在于，所述S1包括：

S11.特征提取:采用分类模型对目标图像数据集中的每一个样本进行特征图提取；

S12.嵌入：将提取获得的特征图映射到一个可以度量的空间，得到样本特征的向量表示和输出预测结果；

S13.训练优化距离度量学习的深度神经网络；

S14.使用训练优化好的距离度量学习的深度神经网络对目标图像数据集中的每一个样本进行映射，得到其对应深度特征。

3.根据权利要求2所述的小样本图像数据集划分方法，其特征在于，所述S11特征提取是，使用卷积网络提取数据的特征，所述卷积网络包括ResNet50、MobileNetV2等。

4.根据权利要求2所述的小样本图像数据集划分方法，其特征在于，所述S12是通过两层全连接将提取的特征映射到嵌入高维空间中，进而进行特征转换；第1层全连接层用于输出样本的向量表示，第2层全连接层用于输出预测结果向量。

5.根据权利要求4所述的小样本图像数据集划分方法，其特征在于，所述S13训练优化距离度量学习的深度神经网络的方式是：

通过中心损失辅助交叉熵损失的方式训练距离度量学习的深度神经网络，获得更好的样本向量表示，距离度量学习最终的损失函数L表示为

其中，c∈R为类z样本通过网络得到的深度特征向量的向量中心；d为特征维数；f(x1)为样本xⁱ映射的特征向量v，f(x2)为样本xⁱ映射的预测向量y，f表示距离度量学习的深度神经网络；函数D(·)为欧氏距离的平方；N为样本数量；M为类别数量；λ为中心损失控制系数；

将所有样本放入距离度量学习的深度神经网络中进行训练，并通过损失函数L对网络进行优化。

6.根据权利要求5所述的小样本图像数据集划分方法，其特征在于，所述S14是使用训练完毕的网络将目标图像数据集中的样本转换为嵌入空间中的深度特征向量，即得到每一个样本的深度特征。

7.根据权利要求5所述的小样本图像数据集划分方法，其特征在于，所述步骤S2包括：

步骤S2.1，将每一个样本的深度特征按照不同类别分别输入基于距离模聚类的算法，输入聚类算法所需要的参数包括：样本个数、预估类别数、迭代次数、指数和价值函数以及最小变化阈值；

步骤S2.2，用值在0，1间的随机数初始化隶属矩阵U，使其满足约束条件；

步骤S2.3，计算c个聚类中心c_i，i＝1，...，c，并根据聚类中心将图片数据进行层次分类；

步骤S2.4：计算价值函数，如果相对上次价值函数值的改变量小于最小价值函数变化阈值或者达到最大迭代次数，算法停止，完成每个类别中图片数据的聚类；

步骤S2.5：计算新的U矩阵，返回步骤S2.3。

8.根据权利要求5所述的小样本图像数据集划分方法，其特征在于，所述步骤S2采用的基于距离模聚类的算法包括模糊C-means聚类算法、K-means聚类算法。