(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210919656.8 (22)申请日 2022.08.02 (71)申请人 大连理工大 学 地址 116024 辽宁省大连市甘井 子区凌工 路2号 (72)发明人 张宪超　双翼飞　张晓彤　刘晗　 梁文新　刘馨月　李远刚　 (74)专利代理 机构 辽宁鸿文知识产权代理有限 公司 21102 专利代理师 许明章　王海波 (51)Int.Cl. G06V 10/42(2022.01) G06V 10/44(2022.01) G06V 10/74(2022.01) G06V 10/764(2022.01)G06V 10/774(2022.01) (54)发明名称 一种基于元特征的小样本学习图像分类方 法 (57)摘要 本发明公开了一种基于元特征的小样本学 习图像分类方法， 属于小样本学习图像分类领 域。 用于在只有少量有标签的图像样本场景， 能 够很好的完成分类任务。 由于在度量图像特征表 示之间的相似性时， 会存在背景因素的干扰， 导 致分类准确率较差， 同时在细粒度的任务中， 由 于样本量过少导致无法容易得区分两个相似类 别的样本。 所 以本发明基于这个因素， 提出了基 于元特征的小样本学习方法， 即在学习得到图像 特征表示时， 同时考虑到全局特征表 示和局部特 征表示， 建立一个自适应调节的网络， 让网络模 型在粗细粒度的任务中， 能根据任务调整对图像 全局特征和局部特征的关注度。 实验证明， 本发 现的方法相比传统方法能取得更好的结果。 权利要求书2页 说明书8页 附图3页 CN 115272688 A 2022.11.01 CN 115272688 A 1.一种基于元特征的小样本学习图像分类方法， 其特征在于， 小样本学习图像分类方 法基于所提取 的一个元特征， 使用两种方法度量样本间的相似性， 分别获取局部特征和全 局特征； 然后通过元特征提取网络， 将局部特征和全局特征的信息融合， 提高特征表示的准 确性； 具体步骤如下： 步骤一、 从小样本学习图像数据集中， 按比例划分出训练集和测试集， 并针对相应的小 样本学习任务， 随机采样并构建大量任务， 每个任务包含支持集和查询集； 每个小样本学习 分类任务包括N个类别， 每个类别K个样本； 使用两层卷积网络Mσ， 对图片x提取特征得到元 特征m， m＝Mσ(x)； 步骤二、 元 特征m分别通过局部特 征处理网络和全局特 征处理网络进行处 理 2.1使用一个局部 特征处理网络f对元特征m进行处理， 得到处理后的局部 特征表示 mf＝ fθ(m)∈Rc×w×d， 其中c为卷积后的通道数， w和d为每个通道中特征矩阵的长和宽； 局部特征 表示mf的局部特征描述符组成的集合为 F指一个样本最后能得到的局部特征描 述符的数量； 每个小样本学习分类任务中， 支持集中的一个类别一共有KF个局部特征描述 符； 对于需要分类的查询集样本 得到局部特征表示 使用k近邻的方 法， 度量查询集样本 和支持集类别o之间的相似性， 余弦相似性用于度量局部特征描述符之间的距离， 表示类别o的所有局部特征描述 符中， 和 最相似的k个局部特征描述符中的第j个； 计算查询集样本 和支持集中所有类 别之间的相似性后， 得到关于查询集样本的软分类预测标签 查询集中的所有样本和 样本的真实标签y使用交叉熵损失， 其中yj表示第j个查询集的真实标签， 1[yj＝o]表示当yj＝o则时取1， 否则取0； 2.2使用一个全局特征处理网络g来对元特征m进行处理， 得到处理后的全局特征表示 mg ＝gδ(m)； 对于每个类别， 根据每个样本的全局 特征表示计算代表该类别的全局特征表示， 最后求平均； 对于类别o， 其全局特 征表示为 其中So表示类别o的样本集， |So|则表示类别o中样本的数量， (xi,yi)表示样本的特征向 量和标签； 然后使用欧几里得距离函数d( ·)来获得两个样本在嵌入空间中的距离， 查询集样本 到类别i的距离分数组成一个距离分数向量dg， 即权　利　要　求　书 1/2 页 2 CN 115272688 A 2其中， ci表示类别i的全局特征表示之后， 对求得的所有距离进行归一化操作， 求得查询 集样本 属于某一个 类别o的概 率P， 使用交叉熵损失函数， 即 步骤三、 根据局部特征表示合全局特征表示的损 失函数， 使用加权求和的方式得到最 后的损失函数， 即 L＝α Lf+β Lg α和β都是正的超参数， 用于调节两个特征度量部分的权重占比； 最后的预测标签 权　利　要　求　书 2/2 页 3 CN 115272688 A 3