[发明专利]一种基于增强小样本特征解耦的图像分类方法和系统

说明书

本说明书公开了一种基于增强小样本特征解耦的图像分类方法和系统，旨在解决无法有效提取细粒度特征和粗粒度特征以获得充足的局部信息和全局信息的问题。本发明包括：基于待测数据，通过基于小样本的数据增强模型，获取增强待测数据；通过多层感知机和第一分类器获取增强待测数据；将增强待测数据进行特征解耦获得细粒度特征和粗粒度特征；通过特征连接器将细粒度特征与粗粒度特征进行连接，基于连接特征，通过训练好的第二分类器进行分类获得分类预测结果。本发明能够快速的提取细粒度特征和粗粒度特征，有效解决了细粒度特征提取和粗粒度特征提取之间的冲突，提高了图像识别的准确性，并解决了训练样本不足的问题。

背景技术

图像分类有广泛的应用场景，但是在许多场景下难以收集到足够多的训练数据，可以采用小样本数据增强的方法扩充数据集来解决数据库量不够的问题。在卷积神经网络(CNN)中，卷积运算擅长以分层的方式提取细粒度特征，细粒度特征很好的反映了图像的局部信息，但CNN在提取粗粒度特征方面的能力仍有不足有。在transformer中，自注意力机制可以捕获长距离特征依赖，对粗粒度特征的提取能力很强，但会忽略细粒度特征的细节。如何同时有效提取细粒度特征和粗粒度特征以获得充足的局部信息和全局信息一直是急需解决的问题。

发明内容

为了解决现有技术中的上述问题，即现有技术中没有方法能够同时提取细粒度特征和粗粒度特征以获得充足的局部信息和全局信息的问题，本发明提供了一种基于增强小样本特征解耦的图像分类方法，所述方法包括：

步骤S100，获取带有类别标签的训练数据，通过基于小样本数据增强的样本扩增模型，获取增强训练数据特征；

所述基于小样本的数据增强模型，具体为：将训练数据的中数据的量低于预设的阈值的一类数据设为待增强数据，基于所述待增强数据通过多层感知机和通过第一交叉熵损失训练的分类器获取增强训练数据特征；

步骤S200，将所述增强训练数据特征进行特征解耦获得细粒度特征和粗粒度特征；

步骤S300，通过特征连接器将所述细粒度特征与粗粒度特征进行连接，获得连接特征，基于所述连接特征，通过训练好的预测器获得训练数据的分类预测结果；

步骤S400，基于所述训练数据的预测结果计算第二交叉熵损失函数，重复步骤S200-步骤S300的方法，调整预测器的参数，直至所述第二交叉熵损失函数低于预设的阈值，获得训练好的图像分类模型；

步骤S500，获取待测数据，通过所述训练好的图像分类模型，获取待测数据的分类预测结果。

在一些优选的实施方式中，所述基于小样本数据增强的样本扩增模型，包括4层全连接神经网络的多层感知机和一个预训练的分类器。

在一些优选的实施方式中，所述基于小样本数据增强的样本扩增模型，其处理方法包括：

将训练数据的中数据的量低于预设的阈值的一类数据设为待增强数据；

随机选取待增强数据中的两个待增强数据样本和

选取待增强数据之外且与待增强数据样本和的欧氏距离最小的干扰样本

定义训练样本集以待增强数据样本和干扰样本作为训练样本，待增强数据样本作为样本训练标签；

基于所述训练样本集生成预测数据

通过所述预训练的分类器获取判断结果，基于所述判断结果和样本训练标签计算第一交叉熵损失

n表示训练样本集μ的个数；

重复迭代直至所述第一交叉熵损失取最小值，获得训练好的基于小样本数据增强的样本扩增模型和增强训练数据特征。

在一些优选的实施方式中，所述特征解耦网络，其处理方法为：