[发明专利]一种基于融合属性和属性分布相似度的小样本分类方法

说明书

本发明提出了一种基于小样本学习的自适应属性分布相似度分类方法，根据图像属性之间的相似度，完成对图像的分类。包括步骤1构建元训练集和图像处理；步骤2预训练；步骤3将元训练集按照情景训练方式从数据集中构建训练任务并进行元训练；步骤4属性合成；步骤5属性去余；步骤6计算特征相似度计算和属性分布相似度；步骤7计算结果。本方法中的属性的获取不需要专家标注，那么相比于原来基于属性的工作来说，本发明拓展到了没有标注好的属性向量的数据集；本发明也为小样本学习的发展提供了一种新的思路；本发明在求属性的相似度的时候，与以往方法不同，本发明考虑了了没有属性标注的数据集。

技术领域

本发明涉及信息技术领域，具体来讲是一种基于融合属性和属性分布相似度的小样本分类方法。

背景技术

虽然深度学习已经在图像识别领域取得了巨大的成功，但依赖大量的标注数据也是深度学习一直以来的一大痛点。大量数据进行人工标注十分费时费力，但如果不进行数据的标注，缺乏数据集又会造成模型过拟合和泛化能力差的问题，而小样本学习的出现带来了革命性的解决方案。并且随着小样本学习的不断发展，衍生出了很多方法，比如基于梯度更新式的元学习的方法、基于图神经网络的方法、基于属性的方法等等。但小样本学习中的方法大部分采用预训练加元学习测试阶段的策略。这一方法的关键在如何利用训练集预训练一个初始模型，并在测试阶段时，利用测试集进模型参数微调，获得一个适合新样本集的模型。这也意味着在元学习的测试阶段，不会利用训练集的信息优化模型，但是这不能说明训练集不能帮助测试集优化模型。

根据目前小样本学习工作的进展，网络在元学习的测试阶段如何继续利用训练集的问题，目前主要是利用训练集的信息与测试集中参与微调的信息进行融合，增强待分类类别的代表力，补全图像信息。这一方式十分复杂，并使用条件高，但是仍然有不少方法和工程采用这一方法。

基于属性的方法就是其中具有代表性的方法之一，简单来说，就是网络通过属性特征不断增强样本信息来优化模型。首先，这一类型的方法大部分都需要依靠专家标注好的属性。因此，专家的专业程度，以及标注的角度方式，甚至属性选择的范围和个数导致分类结果相差很大，那么如何找到一种简单、易理解的替代方法成为目前的一大问题。其次，这一类方式所利用的方法大体上分为两种，一种利用属性增强信息，也就是如上文所说，利用属性和待分类类别的信息相融合，补全待分类类别缺失的部分信息；第二种是利用敏感属性进行分类。但是这并不意味着不敏感的属性对于分类的效果就没有提升了，那么如果利用不敏感的属性也是当前亟待解决的问题。

现如今有大量的方法通过预训练的方式来解决这一问题，原因在于预训练的方式具有强大的特征提取的功能因此能够提升网络模型的表现能力。并且，我们预训练我们的模型，也能够帮助我们得到更加准确的属性信息。

与本发明相关的现有技术

现有技术方案一：

2021年，Zhang等人在《Prototype Completion With Primitive Knowledge forFew-Shot Learning》提出了一种基于原型补全的方法，该方法通过Glove这一工具获得训练集的属性向量，再利用WordNet找到训练集和测试集的共同的属性集。在训练集上合成属性，在元学习的测试阶段时，将训练集获得的属性合成到测试集中待分类类别信息中，从而将只依靠测试集获得的原型点，补全原型点的信息，提高模型的分类准确性。

现有技术方案一缺点：

上述方案利用了WordNet找到两个训练集中共同属性，在元学习的测试阶段利用训练集的信息补全测试集待分类类别的信息。这一方法需要更多的计算资源，补全的过程非常复杂、相对来说耗费计算资源多，并且也没有考虑到单利用合成的属性就能进行分类这一特点。对于相同的类别来说，往往具有相同的属性特征，或者说在计算与属性的敏感程度的时候，相同的类对于同一属性特征的敏感程度类似。

现有技术方案二：