[发明专利]一种基于小样本学习的茶叶病虫害分类方法、系统、设备及介质

说明书

一种基于小样本学习的茶叶病虫害分类方法、系统、设备及介质，其方法是：首先制作茶叶病虫害样本数据集，通过特征解耦的方法将茶叶病虫害数据集图像中的弱相关特征和强相关特征进行解耦，然后在强相关特征提取过程中添加注意力机制模块，让茶叶病虫害分类模型在学习过程中聚焦于强相关特征信息，最后将处理后的特征向量转换成类高斯分布，依次通过Sinkhorn映射、迭代类中心估计、均衡类中心更新、最终决策，来迭代寻找类中心的最大后验概率估计；其系统、设备及介质用于按小样本的茶叶病虫害分类方法进行茶叶病虫害分类；本发明克服了传统的深度学习算法需要庞大的数据集来支撑，图像样本采集困难等问题，采用小样本学习的方法实现了茶叶病虫害分类，在已有的数据集上达到高效高精度判别。

技术领域

本发明属于图像分类和小样本学习领域，具体涉及一种基于小样本的茶叶病虫害分类方法、系统、设备及介质。

背景技术

深度学习的成功带来了计算机视觉的重大进步。传统的深度学习算法的成功离不开数据驱动，可这些成功背后的大多数方法必须在完全监督、高数据可用性的前提下高效运行。也就是说，深度学习算法通常需要大量的训练数据才能在任务中达到令人满意的性能水平。但在大多数场景下，图像的获取与标注十分困难且成本较高，训练条件难以得到满足。因此，小样本学习应运而生，逐渐成为当前的热点研究问题。

小样本分类学习旨在数据缺乏的情况下对各种未见的任务图像进行分类，主要是通过计算来模拟人类的推理和从有限的数据中进行学习。在小样本学习的领域中涌现了大量优秀的学习方法，其中Snell等人提出了Prototypical Networks，Vinyals等人提出了Matching Networks，他们的主要思想是将输入的样本映射到低维嵌入空间，然后基于距离和相似性度量对未标记的样本进行分类。Requeima等人提出的CNAPS和Bateni等人提出的Transductive-CNAPS是一种具有自适应机制的度量学习的变体，该自适应机制在嵌入空间中对齐支持集和查询集的特征向量，提高了分类器跨任务的判别能力，减少了在有限数据集上过拟合的问题。Finn等人提出的MAML和Mishra提出的SNAIL主要是通过搜索对任务目标函数敏感的模型参数以快速适应新任务的梯度训练。Sun等人提出的ABPML方法通过推断类原型的潜在变量来进行分类，避免了推断高维模型参数。

目前虽然涌现出大量基于小样本学习的研究方法，但相对来说均存在一定的缺点。如基于模型微调的小样本学习在目标数据集和源数据集不类似的情况下，会导致模型在目标数据集上过拟合。基于数据增强的小样本学习有可能会引入许多噪声数据或特征，对分类效果产生负面影响。基于度量学习的小样本学习在样本数量较少的情况下，简单通过距离度量相似度的方法会导致准确率有所降低。基于元学习的小样本学习复杂度较高，由于兴起的时间较短，需要改进和发展的方面还很多。基于图神经网络的小样本学习的样本总数变大时，由于图神经网络中每一个样本都被看作是图中的一个节点，图神经网络中节点数量会变多，导致计算复杂度较高。

专利申请CN113627282A公开了一种基于小样本学习的茶叶病虫害分类方法，包括以下步骤：数据集制作阶段：采集茶叶病虫害图像，并对稀少类别的茶叶病虫害进行数据增强；训练阶段：将训练集图像输入到病虫害分类模型中，分别通过ConvEnc1，MultiAttFEM和ConvEnc2来提取图像的强相关特征信息和弱相关特征信息，然后通过PTM模块将提取的特征转换为类高斯分布，最后利用MAP模块来寻找类中心的最大后验概率估计，输出分类结果；测试阶段：使用测试集图像对茶叶病虫害分类模型进行验证，测试模型在测试集图像上的有效性；该发明实现了在小样本场景下对茶叶病虫害进行分类判别，并在已有数据集上达到了较高的性能表现。但基于模型微调的小样本学习在目标数据集和源数据集不类似的情况下，会导致模型在目标数据集上过拟合。

发明内容