【技术实现步骤摘要】
本专利技术涉及图像分类，具体而言，涉及一种少样本图像分类方法和系统。
技术介绍
1、传统的深度学习方法在很大程度上依赖于大量标记数据，而这些数据的收集与标注通常需要投入大量的时间、金钱和人力。然而，在一些数据稀缺的应用场景中，如珍稀物种识别、军事目标检测、罕见病例诊断等，收集足够的训练样本极为困难，甚至不可能。在上述情况下，如果依然使用传统的深度学习方法，会导致模型过拟合，分类性能大幅下降。反之，人类能够在极少量示例的条件下快速识别新类别，于是启发了少样本学习的研究方向。目前，少样本学习研究的主流方法大体上可分为三类：基于数据增强的方法、基于元学习的方法和基于度量学习的方法。
2、但是，一.数据增强方法通过对现有样本进行各种变换或生成合成样本，扩充训练数据量，以将少样本学习转化为常规分类任务，从而提高模型的泛化性能。然而，上述方法虽然一定程度上可以缓解样本缺乏的问题，但过拟合并没有得到完全的解决。二.元学习的泛化性能通常依赖于先验任务，尽管基于元学习的方法取得了不错的效果，但由于其复杂的记忆寻址结构和高昂的计算开销，对训练也是一个很大的挑战。三.基于度量学习的方法，包括基于全局特征的方法和基于局部特征的方法，其中，基于全局特征的方法：采用全局特征容易丢失图像中的细节信息，且无法准确反映类别的分布情况，导致在少样本场景下难以获得良好的分类效果。基于局部特征的方法：尽管局部特征方法捕捉了图像细节信息，但大多未考虑各局部特征的重要性差异，图像中无关区域的信息可能误导分类结果；此外，现有方法通常平等对待任务中的所有样本，未考
技术实现思路
1、本专利技术旨在提供一种少样本图像分类方法和系统，以至少解决或改善上述技术问题之一。
2、有鉴于此，本专利技术的第一方面在于提供一种少样本图像分类方法，包括：
3、s1.获取带类别标签的少样本图像数据集，将所述数据集划分为多个支持集和查询集，并通过特征提取网络获得所述支持集和查询集图像的局部特征，其中，少样本图像是指训练集中，每类仅包含少量的标注图像；
4、s2.基于所述支持集图像的局部特征生成每个支持类的原型，并计算所述支持集每张图像的权重；
5、s3.基于支持集每个局部特征与各原型之间的相似度向量计算支持集局部特征的权重，对所述支持集图像的局部特征进行修正；
6、s4.基于卷积操作修正后的查询集图像与支持集图像的局部特征之间的相似度张量，对所述查询集图像的局部特征进行修正；
7、s5.基于两种修正后的局部特征和支持集每张图像的权重，计算所述查询集图像与每个支持类的相似度，并将所述相似度进行概率输出，以生成图像分类结果。
8、本专利技术的第二方面一种少样本图像分类系统，包括：
9、特征提取模块201，用于获取带类别标签的少样本图像数据集，将所述数据集划分为多个支持集和查询集，并通过特征提取网络获得所述支持集和查询集图像的局部特征，其中，少样本图像是指训练集中，每类仅包含少量的标注图像；
10、样本重估模块202，用于基于所述支持集图像的局部特征生成每个支持类的原型，并计算所述支持集每张图像的权重；
11、支持修正模块203，用于基于支持集每个局部特征与各原型之间的相似度向量计算支持集局部特征的权重，对所述支持集图像的局部特征进行修正；
12、查询修正模块204，用于基于卷积操作修正后的查询集图像与支持集图像的局部特征之间的相似度张量，对所述查询集图像的局部特征进行修正；
13、输出分类模块205，用于基于两种修正后的局部特征和支持集每张图像的权重计算所述查询集图像与每个支持类的相似度，并将所述相似度进行概率输出，以生成图像分类结果。
14、本专利技术与现有技术相比所具有的有益效果：
15、1、本专利技术通过引入样本自适应和局部特征修正机制，显著提升了少样本图像分类的精度，计算每张支持集图像到类别原型的距离，动态地为每个样本赋予权重，聚焦于具有代表性的样本，不仅减少了离群样本对模型的负面影响，还降低了计算成本；
16、2、本专利技术利用神经网络来建模每一个局部特征对于当前任务的重要性，在此基础上加以修正，充分考虑了各局部特征的重要性差异，实现了聚焦于图像中与类别紧密相关的判别性特征，提升了模型的分类性能；
17、3、本专利技术结合样本自适应和局部特征修正机制的分类方法，使得模型在处理少样本数据时适应多变和复杂的真实数据分布，具备更高的泛化能力，适合应用于各种数据稀缺场景。
本文档来自技高网...【技术保护点】
1.一种少样本图像分类方法，其特征在于，包括：
2.根据权利要求1所述的少样本图像分类方法，其特征在于，所述获取带类别标签的少样本图像数据集，将所述数据集划分为多个支持集和查询集，并通过特征提取网络获得所述支持集和查询集图像的局部特征，包括：
3.根据权利要求1所述的少样本图像分类方法，其特征在于，所述基于所述支持集图像的局部特征生成每个支持类的原型，并计算所述支持集每张图像的权重，包括：
4.根据权利要求1所述的少样本图像分类方法，其特征在于，基于支持集每个局部特征与各原型之间的相似度向量计算支持集局部特征的权重，对所述支持集图像的局部特征进行修正，包括：
5.根据权利要求1所述的少样本图像分类方法，其特征在于，所述基于卷积操作修正后的查询集图像与支持集图像的局部特征之间的相似度张量，对所述查询集图像的局部特征进行修正，包括：
6.根据权利要求1所述的少样本图像分类方法，其特征在于，所述基于两种修正后的局部特征和支持集每张图像的权重计算所述查询集图像与每个支持类的相似度，并将所述相似度进行概率输出，以生成图像分类结果，
7.根据权利要求1所述的少样本图像分类方法，其特征在于，所述方法还包括：使用交叉熵损失函数进行模型训练。
8.根据权利要求7所述的少样本图像分类方法，其特征在于，所述模型训练采用Adam优化方法，对所述交叉熵损失函数进行优化，以获得最终的少样本图像分类模型，其中，Adam是一种结合了动量法和自适应梯度方法的优化算法的英文缩写。
9.根据权利要求7所述的少样本图像分类方法，其特征在于，所述少样本图像分类模型训练完成后，将所述模型用于新的图像分类任务中，通过所述模型预测新的图像分类结果。
10.一种用于实施权利要求1-9任一项所述的少样本图像分类方法的系统，其特征在于，包括：
...【技术特征摘要】
1.一种少样本图像分类方法，其特征在于，包括：
2.根据权利要求1所述的少样本图像分类方法，其特征在于，所述获取带类别标签的少样本图像数据集，将所述数据集划分为多个支持集和查询集，并通过特征提取网络获得所述支持集和查询集图像的局部特征，包括：
3.根据权利要求1所述的少样本图像分类方法，其特征在于，所述基于所述支持集图像的局部特征生成每个支持类的原型，并计算所述支持集每张图像的权重，包括：
4.根据权利要求1所述的少样本图像分类方法，其特征在于，基于支持集每个局部特征与各原型之间的相似度向量计算支持集局部特征的权重，对所述支持集图像的局部特征进行修正，包括：
5.根据权利要求1所述的少样本图像分类方法，其特征在于，所述基于卷积操作修正后的查询集图像与支持集图像的局部特征之间的相似度张量，对所述查询集图像的局部特征进行修正，包括：
6.根据权利要...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。