[发明专利]基于前向特征兼容的小样本目标识别方法

权利要求书

1.一种基于前向特征兼容的小样本目标识别方法，其特征在于，包括：

构建广义小样本学习算法的学习任务；

构造分类器鲁棒性前向类别可兼容原型向量的限值；

构造用于将样本映射为符合最大化马氏距离分布的隐特征的深度神经网络；

训练分类子网络；

基于所述深度神经网络和所述训练分类子网络，识别目标图像数据。

2.根据权利要求1所述的基于前向特征兼容的小样本目标识别方法，其特征在于，所述构造分类器鲁棒性前向类别可兼容原型向量的限值，包括：

提出关于p维随机变量及其标签分布的假设；

对所述p维随机变量进行正规化处理，对处理后的p维随机变量提出关于处理后的p维随机变量及其标签分布的假设；

定义不同类别的普通样本在决策边界上的对抗样本，采用马氏距离描述普通样本和对抗样本的距离的期望，并采用所述期望衡量分类器的局部鲁棒性；

定义所述局部鲁棒性的的近似值；

计算所述局部鲁棒性的的近似值的上界；

构造满足所述上界的前向可兼容的类级原型向量，获取分类器鲁棒性前向类别可兼容原型向量的限值。

3.根据权利要求2所述的基于前向特征兼容的小样本目标识别方法，其特征在于，所述定义不同类别的普通样本在决策边界上的对抗样本，如下式所示：

y(x_(i))＝i,y(x^*_(i,j))＝j

其中，x_(i)为普通样本，x^*_(i,j)为在决策边界上的对抗样本，y(.)代表预测器的预测结果，i,j分别为设定的两个高斯分量。

4.根据权利要求2所述的基于前向特征兼容的小样本目标识别方法，其特征在于，所述定义不同类别的普通样本在决策边界上的对抗样本，如下式所示：

y(x_(i))＝j,y(x^*_(i,j))＝i

其中，x_(i)为普通样本，x^*_(i,j)为在决策边界上的对抗样本，y(.)代表预测器的预测结果，i,j分别为设定的两个高斯分量。

5.根据权利要求2所述的基于前向特征兼容的小样本目标识别方法，其特征在于，所述提出关于p维随机变量及其标签分布的假设，如下式所示：

P(y＝i)＝π_i,P(x|y＝i)＝N(μ_i,∑) (1)

设定公式(1)中i∈[L],且每个高斯分布拥有相同的协方差矩阵∑；

所述对处理后的p维随机变量提出关于处理后的p维随机变量及其标签分布的假设，如下式所示：

P(y＝i)＝π_i,P(x|y＝i)＝N(μ_i,I) (2)

设定公式(2)中i∈[L],且

6.根据权利要求2所述的基于前向特征兼容的小样本目标识别方法，其特征在于，所述采用马氏距离描述普通样本和对抗样本的距离的期望，如下式所示：

其中，Φ(.)是正态累积分布函数。

7.根据权利要求2所述的基于前向特征兼容的小样本目标识别方法，其特征在于，在所述采用所述期望衡量分类器的局部鲁棒性之前，包括：获取所述期望关于马氏距离的偏导数；

所述期望关于马氏距离的偏导数，如下式所示：

所述采用所述期望衡量分类器的局部鲁棒性，如下式所示：

LB＝min_i,j∈[L]E[d_(i,j)] (5)

其中，LB为分类器的局部鲁棒性，E[d_(i,j)]为普通样本和对抗样本的距离的期望，Φ(.)是正态累积分布函数。