[发明专利]一种小样本图像分类方法及系统

权利要求书

1.一种小样本图像分类方法，其特征在于，包括：

S1.接收小样本图像数据集，利用数据增强方法以及生成对抗网络对输入的该小样本图像数据集进行扩充，构建正负样本；其中，正样本为相同类别，负样本为不同类别；

S2.对扩充后的待分类图像数据集进行成对训练，利用改进的孪生网络度量模型进行特征提取，提高网络的特征提取能力，将图像空间映射到特征空间，利用正负样本对网络参数进行调整；

S3.对待分类图像进行特征提取后，将其特征信息映射到特征空间，与已知类别的特征空间之间进行度量，选择度量结果最接近的类别，输出分类结果。

2.根据权利要求1所述的小样本图像分类方法，其特征在于，S1中，所述数据增强方法是采用包括旋转、模糊、调色的数据变换方式对输入的小样本图像进行增强。

3.根据权利要求1所述的小样本图像分类方法，其特征在于，S1中，所述的生成对抗网络包括，引入批标准化处理层以及Adam优化器调整参数，动态更改学习率，实现对图像的增强。

4.根据权利要求1所述的小样本图像分类方法，其特征在于，S2中，对扩充后的待分类图像数据集进行成对训练，利用改进的孪生网络度量模型进行特征提取的过程包括：

基于残差卷积的孪生神经网络对成对的图像进行特征提取，映射到相应的特征空间，利用正负样本进行成对训练。

5.根据权利要求4所述的小样本图像分类方法，其特征在于，利用正负样本进行成对训练的过程中，每次将两张图像输入到孪生神经网络中，经过特征提取后得到特征向量，采用对比损失的方式，计算两个特征向量的欧氏距离，利用正负样本信息进行调整，使得正样本输出接近1，负样本输出接近0，训练网络的匹配分类能力。

6.一种小样本图像分类系统，其特征在于，包括：

图像增强单元，用于接收小样本图像数据集，利用数据增强方法以及生成对抗网络对输入的该小样本图像数据集进行扩充，构建正负样本；其中，正样本为相同类别，负样本为不同类别；

图像特征提取单元，用于对扩充后的待分类图像数据集进行成对训练，利用改进的孪生网络度量模型进行特征提取，提高网络的特征提取能力，将图像空间映射到特征空间，利用正负样本对网络参数进行调整；

分类单元，用于对待分类图像进行特征提取后，将其特征信息映射到特征空间，与其他已知类别的特征空间之间进行度量，选择度量结果最接近的类别，输出分类结果。

7.根据权利要求6所述的小样本图像分类系统，其特征在于，所述图像增强单元采用包括旋转、模糊、调色的数据变换方式对输入的小样本图像进行数据增强；以及通过生成对抗网络，引入批标准化处理层以及Adam优化器调整参数，动态更改学习率，实现对图像的增强。

8.根据权利要求6所述的小样本图像分类系统，其特征在于，所述图像特征提取单元是通过基于残差卷积的孪生神经网络对成对的图像进行特征提取，映射到相应的特征空间，利用正负样本进行成对训练。