买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：中国石油大学(华东)

摘要：本发明涉及模式识别技术领域，尤其涉及一种基于组件监督网络的小样本图像分类方法，旨在解决目前小样本图像分类领域存在的特征提取不适应问题。该基于组件监督网络的小样本图像分类方法，提出了一种改进小样本图像分类性能的新方案——组件监督网络，参考自然语言处理中常用的层次字典WordNet，收集样本的组件信息并生成多标签，构造基于组件监督的辅助任务，使用标准分类任务、组件监督的辅助任务和自监督辅助任务协助训练特征提取器，使用训练好的特征提取器提取新类数据的特征，使用线性分类器完成最后的分类任务，以提高特征提取器的适应性。

主权项：1.一种基于组件监督网络的小样本图像分类方法，其特征在于，所述方法包括：构建标准分类任务，将图像输入预先训练好的特征提取器，得到特征向量，将特征向量输入到基分类器来预测软标签，将特征向量投影到一个标签空间中，然后将其转换为概率分布，最后引入分类交叉熵函数，计算标准分类损失，其中，标准分类损失为： 其中，其中，x表示图像样本；表示标准分类任务中样本x的一次性真值标签向量；Cb表示基类数；表示分类交叉熵函数；表示基分类器；表示预先训练好的特征提取器；表示标准分类任务中样本x的预测软标签；表示投影到标签空间的特征向量；构建组件监督的辅助任务，将图像输入预先训练好的特征提取器，得到特征向量，将特征向量输入到基分类器来预测软标签，将特征向量投影到一个基于组件的标签空间中，然后将其转换为二项分布，最后引入二元交叉熵函数，计算组件监督辅助损失，其中，组件监督辅助损失为： 其中，其中，x表示图像样本；表示组件的真实多标签；Cm表示组件数；表示二元交叉熵函数；表示基分类器；表示预先训练好的特征提取器；表示组件的预测软多标签；表示投影到基于组件的标签空间的特征向量；构建自监督辅助任务，将旋转后的基础数据映射到基于旋转的标签空间，然后使用基于旋转的概率分布计算自监督辅助损失，其中，自监督辅助损失为： 其中，x表示图像样本；表示基于旋转的标签向量；表示基于旋转的概率分布；将标准分类损失、组件监督辅助损失和自监督辅助损失进行叠加来计算组件监督网络的总体损失，其中，组件监督网络的总体损失为： 其中，α是一个经验参数，用于控制组件监督辅助损失的影响，是由基于组件的多标签的准确性决定的；将组件监督网络的总体损失函数作为训练特征提取模器的损失函数，每轮训练均根据损失的值来梯度更新特征提取器的参数，选取训练过程中准确率最高的参数作为最终的特征提取器的参数；使用上述训练好的特征提取器提取新类数据的特征，使用直接求导线性回归函数的方式得到分类器并完成最后的分类任务，其中，线性回归目标函数为： 其中，分类器为：W＝YsVsTVsVsT+βI-1其中，||·||F表示Frobenius-norm，即支持数据的真单热点标签矩阵；表示待学习分类器，Cn表示新类别的个数；Ns表示支持数据的数量；表示带标签的支持特征；dim表示样本的维数；W表示分类器；β表示一个超参，防止过拟合；I表示对角矩阵；使用分类器W对Vq进行分类得到：Yq＝WVq其中，表示查询样本生成的软标签矩阵；表示未标记查询特性；Nq表示查询数据的数量。

全文数据：

权利要求：

百度查询： 中国石油大学(华东) 一种基于组件监督网络的小样本图像分类方法