CN112434721A - 一种基于小样本学习的图像分类方法、***、存储介质及终端 - Google Patents
一种基于小样本学习的图像分类方法、***、存储介质及终端 Download PDFInfo
- Publication number
- CN112434721A CN112434721A CN202011150086.8A CN202011150086A CN112434721A CN 112434721 A CN112434721 A CN 112434721A CN 202011150086 A CN202011150086 A CN 202011150086A CN 112434721 A CN112434721 A CN 112434721A
- Authority
- CN
- China
- Prior art keywords
- feature
- image
- image data
- query
- support
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种基于小样本学习的图像分类方法、***、存储介质及终端,该方法包括:确定待分类的图像数据集;抽取所述图像数据集中多个类别的图像数据样本,并基于所述多个类别的图像数据样本建立图像支持集;从图像数据集中抽取后剩余的图像数据样本中再次抽取多个类别的第二图像数据样本构建查询集;根据所述图像支持集对预先训练的小样本分类网络进行泛化处理,并将所述图像查询集中各图像数据样本输入所述泛化处理后的小样本分类网络中,输出所述各图像数据样本的类别。因此,采用本申请实施例,由于本申请通过提取到支持集和查询集的样本特征进行特征融合处理,使得两个集合互相增强样本间的相关特征来突出样本间都感兴趣的特征,从而提升了图像分类的精度。
Description
技术领域
本发明涉及计算机的深度学习技术领域,特别涉及一种基于小样本学习的图像分类方法、***、存储介质及终端。
背景技术
随着深度学习的发展,人们提出了一种基于深度神经网络的图像分类方法,并需要通过大量的样本进行训练,使得深度神经网络具有更好的性能。然而,在某些实际应用中,例如对象跟踪或对象检测,我们可能只有有限的样本,因此很难建立大量有价值、已标记的样本集。因此小样本学习作为元学习在监督学习领域的应用,通过构建不同的元任务以解决m-way k-shot问题,适用于少量样本情况下提高分类模型的泛化能力。
现有小样本学习方法主要包括基于模型、基于度量、基于优化的学习方法。其中基于度量的学习方法通过计算支持集和查询集中样本间的距离度量,借助非参数的方法(最近邻、K近邻、K均值等)来分类,实现同类样本距离最近,异类样本距离最远的目的。基于度量的学习方法存在问题如下:这些方法通过将支持集和查询集的样本嵌入到特征空间,但是没有充分利用这些提取到的样本特征,这将使得分类模型的泛化能力下降。
发明内容
本申请实施例提供了一种基于小样本学习的图像分类方法、***、存储介质及终端。为了对披露的实施例的一些方面有一个基本的理解,下面给出了简单的概括。该概括部分不是泛泛评述,也不是要确定关键/重要组成元素或描绘这些实施例的保护范围。其唯一目的是用简单的形式呈现一些概念,以此作为后面的详细说明的序言。
第一方面,本申请实施例提供了一种基于小样本学习的图像分类方法,方法包括:
确定待分类的图像数据集;
抽取所述图像数据集中多个类别的图像数据样本,并基于所述多个类别的图像数据样本建立图像支持集;
从所述图像数据集中抽取后剩余的图像数据样本中再次抽取多个类别的第二图像数据样本,并基于所述多个类别的第二图像数据样本建立图像查询集;其中,所述第二图像数据样本的类别数量小于第一图像数据样本的类别数量;
根据所述图像支持集对预先训练的小样本分类网络进行泛化处理,并将所述图像查询集中各图像数据样本输入所述泛化处理后的小样本分类网络中,输出所述各图像数据样本的类别。
可选的,所述将所述图像查询集中各图像数据样本输入所述泛化处理后的小样本分类网络中,输出所述各图像数据样本的类别,包括:
基于所述泛化处理后的小样本分类网络计算所述图像查询集中各图像数据样本与所述图像支持集之间的多个类别相似度,并将所述各图像数据样本对应的多个类别相似度中最大类别相似度进行标记;
输出所述各图像样本数据的类别。
可选的,所述小样本分类网络包括特征提取层、注意力增强层、特征融合层、特征分类层以及类别输出层;
所述基于所述泛化处理后的小样本分类网络计算所述图像查询集中各图像数据样本与所述图像支持集之间的多个类别相似度,并将所述各图像数据样本对应的多个类别相似度中最大类别相似度进行标记,包括:
特征提取层分别提取所述图像支持集和图像查询集各自对应的特征图集合;其中,所述特征图集合为多层的特征图,每个层的特征图包含多个通道,每个通道对应一个特征图;
注意力增强层通过全局平均池化网络分别提取出所述每个层特征图对应的权重向量,并对所述特征图对应的查询特征和支持特征互相加权,得到加权后的查询特征和支持特征;
注意力增强层根据归一化算法对特征图对应的查询特征和支持特征构建归一化的注意力分数图,并根据归一化的注意力分数图对所述加权后的查询特征和支持特征二次加权,生成二次加权后的查询增强特征和支持增强特征;
特征融合层将所述加权后的查询特征和支持特征和二次加权后的查询增强特征和支持增强特征进行特征拼接,生成查询融合特征和支持融合特征;
特征分类层将所述查询融合特征和支持融合特征进行相似概率值计算,生成查询融合特征和支持融合特征的多个相似程度概率值;
类别输出层将所述多个相似程度概率值进行降序排列,并提取所述排列在第一位的相似程度概率值进行类别标记,输出样本的类别标记。。
可选的,按照下述方法训练小样本分类网络,包括:
采集训练图像数据样本;
针对所述训练图像数据样本构建多个小样本网络训练任务;
针对所述多个小样本网络训练任务中每一个小样本网络训练任务,分别提取出图像支持集和图像查询集;
创建小样本分类网络,并基于所述图像支持集和图像查询集对小样本分类网络进行训练;
当所述训练后的小样本分类网络的损失值小于预设值时,生成预先训练的小样本分类网络。
可选的,所述创建小样本分类网络,基于所述图像支持集和图像查询集对小样本分类网络进行训练,包括:
创建小样本分类网络,所述创建的小样本分类网络包括特征提取层、注意力增强层、特征融合层、特征分类层以及类别输出层;
特征提取层分别提取所述图像支持集和图像查询集各自对应的特征图集合;其中,所述特征图集合为多层的特征图,每个层的特征图包含多个通道,每个通道对应一个特征图;
注意力增强层通过全局平均池化网络分别提取出所述每个层特征图对应的权重向量,并对所述特征图对应的查询特征和支持特征互相加权,得到加权后的查询特征和支持特征;
注意力增强层根据归一化算法对特征图对应的查询特征和支持特征构建归一化的注意力分数图,并根据归一化的注意力分数图对所述加权后的查询特征和支持特征二次加权,生成二次加权后的查询增强特征和支持增强特征;
特征融合层将所述加权后的查询特征和支持特征和二次加权后的查询增强特征和支持增强特征进行特征拼接,生成查询融合特征和支持融合特征;
特征分类层将所述查询融合特征和支持融合特征进行相似概率值计算,生成查询融合特征和支持融合特征的多个相似程度概率值;
类别输出层将所述多个相似程度概率值进行降序排列,并提取所述排列在第一位的相似程度概率值进行类别标记后输出样本的类别标记。
可选的,当所述训练后的小样本分类网络的损失值小于预设值时,生成预先训练的小样本分类网络,包括:
当所述训练后的小样本分类网络的损失值小于预设值时,继续执行所述特征提取层分别提取所述图像支持集和图像查询集各自对应的特征图集合的步骤。
可选的,所述特征图的提取是通过卷积神经网络进行卷积后得到,所述卷积时使用的卷积参数为1x1的卷积参数。
第二方面,本申请实施例提供了一种基于小样本学习的图像分类***,***包括:
数据集确定模块,用于确定待分类的图像数据集;
图像支持集建立模块,用于抽取所述图像数据集中多个类别的图像数据样本,并基于所述多个类别的图像数据样本建立图像支持集;
图像查询集建立模块,用于从所述图像数据集中抽取后剩余的图像数据样本中再次抽取多个类别的第二图像数据样本,并基于所述多个类别的第二图像数据样本建立图像查询集;其中,所述第二图像数据样本的类别数量小于第一图像数据样本的类别数量;
类别输出模块,用于根据所述图像支持集对预先训练的小样本分类网络进行泛化处理,并将所述图像查询集中各图像数据样本输入所述泛化处理后的小样本分类网络中,输出所述各图像数据样本的类别。
第三方面,本申请实施例提供一种计算机存储介质,计算机存储介质存储有多条指令,指令适于由处理器加载并执行上述的方法步骤。
第四方面,本申请实施例提供一种终端,可包括:处理器和存储器;其中,存储器存储有计算机程序,计算机程序适于由处理器加载并执行上述的方法步骤。
本申请实施例提供的技术方案可以包括以下有益效果:
在本申请实施例中,图像处理***首先确定待分类的图像数据集,再抽取图像数据集中多个类别的图像数据样本,并基于多个类别的图像数据样本建立图像支持集,然后基于图像数据集中抽取后剩余的图像数据样本再次抽取多个类别的数据样本建立图像查询集,再根据图像支持集对预先训练的小样本分类网络进行泛化处理,并将图像查询集中各图像数据样本输入泛化处理后的小样本分类网络中,最后输出各图像数据样本的类别。因此,采用本申请实施例,由于本申请通过提取到支持集和查询集的样本特征进行特征融合处理,使得两个集合互相增强样本间的相关特征来突出样本间都感兴趣的特征,从而提升了图像分类的精度。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本发明。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本发明的实施例,并与说明书一起用于解释本发明的原理。
图1是本申请实施例提供的一种基于小样本学习的图像分类方法的流程示意图;
图2是本申请实施例提供的一种基于小样本学习的图像分类过程使用小样本分类网络处理的总体流程图;
图3是本申请实施例提供的一种注意力增强模块和特征融合模块的结构图;
图4是本申请实施例提供的另一种基于小样本学习的图像分类方法的流程示意图;
图5是本申请实施例提供的一种特征图池化***的***结构示意图;
图6是本申请实施例提供的一种终端示意图。
具体实施方式
以下描述和附图充分地示出本发明的具体实施方案,以使本领域的技术人员能够实践它们。
应当明确,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反,它们仅是如所附权利要求书中所详述的、本发明的一些方面相一致的***和方法的例子。
在本发明的描述中,需要理解的是,术语“第一”、“第二”等仅用于描述目的,而不能理解为指示或暗示相对重要性。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。此外,在本发明的描述中,除非另有说明,“多个”是指两个或两个以上。“和/或”,描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。
到目前为止,现有小样本学习方法主要包括基于模型、基于度量、基于优化的学习方法。其中基于度量的学习方法通过计算支持集和查询集中样本间的距离度量,借助非参数的方法(最近邻、K近邻、K均值等)来分类,实现同类样本距离最近,异类样本距离最远的目的。基于度量的学习方法存在问题如下:这些方法通过将支持集和查询集的样本embedding到特征空间,但是没有充分利用这些提取到的样本特征,这将使得分类模型的泛化能力下降。为此,本申请提供了一种基于小样本学习的图像分类方法、***、存储介质及终端,以解决上述相关技术问题中存在的问题。本申请提供的技术方案中,由于本申请通过提取到支持集和查询集的样本特征进行特征融合处理,使得两个集合互相增强样本间的相关特征来突出样本间都感兴趣的特征,从而提升了图像分类的精度,下面采用示例性的实施例进行详细说明。
下面将结合附图1-附图4,对本申请实施例提供的基于小样本学习的图像分类方法进行详细介绍。该方法可依赖于计算机程序实现,可运行于基于冯诺依曼体系的基于小样本学习的图像分类***上。该计算机程序可集成在应用中,也可作为独立的工具类应用运行。
请参见图1,为本申请实施例提供了一种基于小样本学习的图像分类方法的流程示意图。如图1所示,本申请实施例的方法可以包括以下步骤:
S101,确定待分类的图像数据集;
其中,小样本学习(Few-shot Learning)也称为少样本学习,人类非常擅长通过极少量的样本识别一个新物体,比如小孩子只需要书中的一些图片就可以认识什么是“斑马”,什么是“犀牛”。本申请希望机器学习模型在学习了一定类别的大量数据后,对于新的类别,在不改变以及训练好的模型基础上只需要少量的样本就能快速学习,使得已经训练好的网络模型具备识别出同类样本的能力。图像数据集是进行待分类的图像数据样本。
通常,在Few-shot Learning学习中,有一个术语叫做m-way k-shot问题,简单的说就是需要分类的图像数据样本属于m个类中一种,但是我们每个类训练集中的样本只有k个,即一共只有m*k个样本的类别是已知的。
在一种可能的实现方式中,当进行基于小样本学习的图像分类时,首先需要确定出待分类的图像数据集。该图像数据集可以看作模型的测试图像数据。
进一步地,在进行测试之前,还包括训练训练小样本分类网络,在训练小样本分类网络时,首先采集训练图像数据样本;再针对训练图像数据样本构建多个小样本网络训练任务,再针对多个小样本网络训练任务中每一个小样本网络训练任务,分别提取出图像支持集和图像查询集,然后创建小样本分类网络,并基于图像支持集和图像查询集对小样本分类网络进行训练,最后当训练后的小样本分类网络的损失值小于预设值时,生成预先训练的小样本分类网络。
具体的,创建小样本分类网络,并基于图像支持集和图像查询集对小样本分类网络进行训练时,首先创建小样本分类网络,创建的小样本分类网络包括特征提取层、注意力增强层、特征融合层、特征分类层以及类别输出层,特征提取层分别提取图像支持集和图像查询集各自对应的特征图集合;其中,特征图集合为多层的特征图,每个层的特征图包含多个通道,每个通道对应一个特征图,在通过注意力增强层采用全局平均池化网络分别提取出每个层特征图对应的权重向量,并对特征图对应的查询特征和支持特征互相加权,得到加权后的查询特征和支持特征,然后通过注意力增强层根据归一化算法对特征图对应的查询特征和支持特征构建归一化的注意力分数图,并根据归一化的注意力分数图对加权后的查询特征和支持特征二次加权,生成二次加权后的查询增强特征和支持增强特征,然后采用特征融合层将加权后的查询特征和支持特征和二次加权后的查询增强特征和支持增强特征进行特征拼接,生成查询融合特征和支持融合特征,再通过特征分类层将查询融合特征和支持融合特征进行相似概率值计算,生成查询融合特征和支持融合特征相似程度概率值,最后通过类别输出层将所述多个相似程度概率值进行降序排列,并提取排列在第一位的相似程度概率值进行类别标记后输出样本的类别标记。
当所述训练后的小样本分类网络的损失值小于预设值时,继续执行所述特征提取层分别提取所述图像支持集和图像查询集各自对应的特征图集合的步骤。
例如在训练小样本分类网络时,以训练图像样本数据集为例,训练过程中,从训练图像样本数据集(例如64个类,每类600个样本)中随机采样5个类,每个类5个样本,构成支持集,去学习网络模型;然后从训练集的样本(采出的5个类,每类剩下的样本)中采样构成查询集,集合中每类有15个样本,用来获得网络模型的损失值,去学习小样本网络模型。
需要说明的是,特征图提取时采用卷积神经网络对图像数据进行卷积操作后得到,采用的卷积参数为1x1的卷积参数。
S102,从所述图像数据集中抽取后剩余的图像数据样本中再次抽取多个类别的第二图像数据样本,并基于所述多个类别的第二图像数据样本建立图像查询集;其中,所述第二图像数据样本的类别数量小于第一图像数据样本的类别数量;
其中,支持集是少量的具备分类标签的图像数据样本,通过该少量样本对预先训练好的小样本学习网络(模型)进行泛化处理,使得预先训练好的小样本学习网络具备识别同类图像数据样本的能力。
在一种可能的实现方式中,在对待分类的图像数据集进行划分时,先从图像数据集中随机选取A种图像作为此次小样本分类任务的分类目标,然后从选取的A种图像中,每种随机抽取N个样本作为支持集,最后从图像数据集中抽取后剩余的图像数据样本中再次抽取多个类别的数据样本,基于再次抽取的多个类别的数据样本建立图像查询集。其中,第二次抽取的数据样本类别小于第一次抽取的数据样本类别。
S103,基于所述图像数据集中抽取后剩余的图像数据样本建立图像查询集;
例如,针对图像数据集中659个类中随机选择m个类,每个类提供k个样本作为支持集Support Set来泛化模型,称为m-way k-shot。以孪生网络为例,在m个类中,若SupportSet每类都为单样本(即m个样本),送进来的查询集Query Set(同样的是m个类)不断的与支持集Support Set成对相似度量,若相似,则归于该类。
S104,根据所述图像支持集对预先训练的小样本分类网络进行泛化处理,并将所述图像查询集中各图像数据样本输入所述泛化处理后的小样本分类网络中,输出所述各图像数据样本的类别。
在一种可能的实现方式中,基于泛化处理后的小样本分类网络计算图像查询集中各图像数据样本与图像支持集之间的多个类别相似度,并将各图像数据样本对应的多个类别相似度中最大类别相似度进行标记,最后输出各图像样本数据的类别。
例如图2所示,图2是本申请实施例提供的一种基于小样本学习的图像分类过程使用小样本分类网络处理的总体流程图,首先对待分类图像数据集进行划分,分为支持集和查询集,预先训练的小样本分类网络首先通过特征提取层(特征提取模块)提取出支持集和查询集的特征图中的支持特征和查询特征,然后将支持特征和查询特征依次输入注意力增强模块(层)、特征融合模块(层)、分类模型(层)以及输出模块(层)进行处理,最后输入分类结果。其中,注意力增强模块和特征融合模块的结构图例如图3所示。
在本申请实施例中,图像处理***首先确定待分类的图像数据集,再抽取图像数据集中多个类别的图像数据样本,并基于多个类别的图像数据样本建立图像支持集,然后基于图像数据集中抽取后剩余的图像数据样本再次抽取多个类别的数据样本建立图像查询集,再根据图像支持集对预先训练的小样本分类网络进行泛化处理,并将图像查询集中各图像数据样本输入泛化处理后的小样本分类网络中,最后输出各图像数据样本的类别。因此,采用本申请实施例,由于本申请通过提取到支持集和查询集的样本特征进行特征融合处理,使得两个集合互相增强样本间的相关特征来突出样本间都感兴趣的特征,从而提升了图像分类的精度。
请参见图4,为本申请实施例提供的另一种基于小样本学习的图像分类方法的流程示意图。该基于小样本学习的图像分类方法可以包括以下步骤:
S201,确定待分类的图像数据集;
S202,抽取所述图像数据集中多个类别的图像数据样本,并基于所述多个类别的图像数据样本建立图像支持集;
S203,从所述图像数据集中抽取后剩余的图像数据样本中再次抽取多个类别的第二图像数据样本,并基于所述多个类别的第二图像数据样本建立图像查询集;其中,所述第二图像数据样本的类别数量小于第一图像数据样本的类别数量;
S204,特征提取层分别提取所述图像支持集和图像查询集各自对应的特征图集合;其中,所述特征图集合为多层的特征图,每个层的特征图包含多个通道,每个通道对应一个特征图;
在一种可能的实现方式中,针对小样本数据的训练任务,构建C-way K-shot任务,针对每一个C-way K-shot任务,分别取出图像支持集和图像查询集,通过特征提取层采用卷积神经网络(CNN网络)分别提取出图像支持集和图像查询集的一系列特征图,其中每个层的特征图包含多个通道,每个通道对应一个特征图。
S205,注意力增强层通过全局平均池化网络分别提取出所述每个层特征图对应的权重向量,并对所述特征图对应的查询特征和支持特征互相加权,得到加权后的查询特征和支持特征;
在一种可能的实现方式中,注意力增强层经过两次增强处理,第一次增强是通过全局平均池化网络分别提取出某层特征图对应的权重向量,然后对特征图对应的查询特征和支持特征互相加权操作处理,得到全局平均池化网络加权处理后的查询特征和支持特征;第二次增强是通过正则化上面得到的查询特征和支持特征,再通过归一化函数得到归一化的注意力分数图,然后对全局平均池化网络加权处理后的查询特征和支持特征互相加权,得到查询增强特征和支持增强特征。
S206,注意力增强层根据归一化算法对特征图对应的查询特征和支持特征构建归一化的注意力分数图,并根据归一化的注意力分数图对所述加权后的查询特征和支持特征二次加权,生成二次加权后的查询增强特征和支持增强特征;
S207,特征融合层将所述加权后的查询特征和支持特征和二次加权后的查询增强特征和支持增强特征进行特征拼接,生成查询融合特征和支持融合特征;
在一种可能的实现方式中,特征融合层将全局平均池化网络加权处理后的查询特征和支持特征分别与支持增强特征和查询增强特征拼接,以得到查询融合特征和支持融合特征。
S208,特征分类层将所述查询融合特征和支持融合特征进行相似概率值计算,生成查询融合特征和支持融合特征的多个相似程度概率值;
在一种可能的实现方式中,特征分类层将查询融合特征和支持融合特征输入到分类模块,得到表示查询融合特征和支持融合特征的相似程度的概率值。
S209,类别输出层将所述多个相似程度概率值进行降序排列,并提取所述排列在第一位的相似程度概率值进行类别标记后输出样本的类别标记。;
在一种可能的实现方式中,类别输出层将多个相似程度概率值进行降序排列,并提取排列在第一位的相似程度概率值进行类别标记后输出样本的类别标记。
S210,生成所述各图像样本数据的类别。
在本申请实施例中,图像处理***首先确定待分类的图像数据集,再抽取图像数据集中多个类别的图像数据样本,并基于多个类别的图像数据样本建立图像支持集,然后基于图像数据集中抽取后剩余的图像数据样本再次抽取多个类别的数据样本建立图像查询集,再根据图像支持集对预先训练的小样本分类网络进行泛化处理,并将图像查询集中各图像数据样本输入泛化处理后的小样本分类网络中,最后输出各图像数据样本的类别。因此,采用本申请实施例,由于本申请通过提取到支持集和查询集的样本特征进行特征融合处理,使得两个集合互相增强样本间的相关特征来突出样本间都感兴趣的特征,从而提升了图像分类的精度。
下述为本发明***实施例,可以用于执行本发明方法实施例。对于本发明***实施例中未披露的细节,请参照本发明方法实施例。
请参见图5,其示出了本发明一个示例性实施例提供的基于小样本学习的图像分类***的结构示意图。该基于小样本学习的图像分类***可以通过软件、硬件或者两者的结合实现成为智能机器人的全部或一部分。该***1包括数据集确定模块10、图像支持集建立模块20、图像查询集建立模块30、类别输出模块40。
数据集确定模块10,用于确定待分类的图像数据集;
图像支持集建立模块20,用于抽取所述图像数据集中多个类别的图像数据样本,并基于所述多个类别的图像数据样本建立图像支持集;
图像查询集建立模块30,用于从所述图像数据集中抽取后剩余的图像数据样本中再次抽取多个类别的第二图像数据样本,并基于所述多个类别的第二图像数据样本建立图像查询集;其中,所述第二图像数据样本的类别数量小于第一图像数据样本的类别数量;
类别输出模块40,用于根据所述图像支持集对预先训练的小样本分类网络进行泛化处理,并将所述图像查询集中各图像数据样本输入所述泛化处理后的小样本分类网络中,输出所述各图像数据样本的类别。
需要说明的是,上述实施例提供的基于小样本学习的图像分类***在执行基于小样本学习的图像分类方法时,仅以上述各功能模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能模块完成,即将设备的内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。另外,上述实施例提供的基于小样本学习的图像分类***与基于小样本学习的图像分类方法实施例属于同一构思,其体现实现过程详见方法实施例,这里不再赘述。
上述本申请实施例序号仅仅为了描述,不代表实施例的优劣。
在本申请实施例中,图像处理***首先确定待分类的图像数据集,再抽取图像数据集中多个类别的图像数据样本,并基于多个类别的图像数据样本建立图像支持集,然后基于图像数据集中抽取后剩余的图像数据样本再次抽取多个类别的数据样本建立图像查询集,再根据图像支持集对预先训练的小样本分类网络进行泛化处理,并将图像查询集中各图像数据样本输入泛化处理后的小样本分类网络中,最后输出各图像数据样本的类别。因此,采用本申请实施例,由于本申请通过提取到支持集和查询集的样本特征进行特征融合处理,使得两个集合互相增强样本间的相关特征来突出样本间都感兴趣的特征,从而提升了图像分类的精度。
本发明还提供一种计算机可读介质,其上存储有程序指令,该程序指令被处理器执行时实现上述各个方法实施例提供的基于小样本学习的图像分类方法。本发明还提供了一种包含指令的计算机程序产品,当其在计算机上运行时,使得计算机执行上述各个方法实施例的基于小样本学习的图像分类方法。
请参见图6,为本申请实施例提供了一种终端的结构示意图。如图6所示,终端1000可以包括:至少一个处理器1001,至少一个网络接口1004,用户接口1003,存储器1005,至少一个通信总线1002。
其中,通信总线1002用于实现这些组件之间的连接通信。
其中,用户接口1003可以包括显示屏(Display)、摄像头(Camera),可选用户接口1003还可以包括标准的有线接口、无线接口。
其中,网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。
其中,处理器1001可以包括一个或者多个处理核心。处理器1001利用各种借口和线路连接整个电子设备1000内的各个部分,通过运行或执行存储在存储器1005内的指令、程序、代码集或指令集,以及调用存储在存储器1005内的数据,执行电子设备1000的各种功能和处理数据。可选的,处理器1001可以采用数字信号处理(Digital Signal Processing,DSP)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)、可编程逻辑阵列(Programmable Logic Array,PLA)中的至少一种硬件形式来实现。处理器1001可集成中央处理器(Central Processing Unit,CPU)、图像处理器(Graphics Processing Unit,GPU)和调制解调器等中的一种或几种的组合。其中,CPU主要处理操作***、用户界面和应用程序等;GPU用于负责显示屏所需要显示的内容的渲染和绘制;调制解调器用于处理无线通信。可以理解的是,上述调制解调器也可以不集成到处理器1001中,单独通过一块芯片进行实现。
其中,存储器1005可以包括随机存储器(Random Access Memory,RAM),也可以包括只读存储器(Read-Only Memory)。可选的,该存储器1005包括非瞬时性计算机可读介质(non-transitory computer-readable storage medium)。存储器1005可用于存储指令、程序、代码、代码集或指令集。存储器1005可包括存储程序区和存储数据区,其中,存储程序区可存储用于实现操作***的指令、用于至少一个功能的指令(比如触控功能、声音播放功能、图像播放功能等)、用于实现上述各个方法实施例的指令等;存储数据区可存储上面各个方法实施例中涉及到的数据等。存储器1005可选的还可以是至少一个位于远离前述处理器1001的存储***。如图6所示,作为一种计算机存储介质的存储器1005中可以包括操作***、网络通信模块、用户接口模块以及基于小样本学习的图像分类应用程序。
在图6所示的终端1000中,用户接口1003主要用于为用户提供输入的接口,获取用户输入的数据;而处理器1001可以用于调用存储器1005中存储的基于小样本学习的图像分类应用程序,并具体执行以下操作:
确定待分类的图像数据集;
抽取所述图像数据集中多个类别的图像数据样本,并基于所述多个类别的图像数据样本建立图像支持集;
从所述图像数据集中抽取后剩余的图像数据样本中再次抽取多个类别的第二图像数据样本,并基于所述多个类别的第二图像数据样本建立图像查询集;其中,所述第二图像数据样本的类别数量小于第一图像数据样本的类别数量;
根据所述图像支持集对预先训练的小样本分类网络进行泛化处理,并将所述图像查询集中各图像数据样本输入所述泛化处理后的小样本分类网络中,输出所述各图像数据样本的类别。
在一个实施例中,处理器1001在执行将所述图像查询集中各图像数据样本输入所述泛化处理后的小样本分类网络中,输出所述各图像数据样本的类别时,具体执行以下操作:
基于所述泛化处理后的小样本分类网络计算所述图像查询集中各图像数据样本与所述图像支持集之间的多个类别相似度,并将所述各图像数据样本对应的多个类别相似度中最大类别相似度进行标记;
输出所述各图像样本数据的类别。
在一个实施例中,处理器1001在执行基于所述泛化处理后的小样本分类网络计算所述图像查询集中各图像数据样本与所述图像支持集之间的多个类别相似度,并将所述各图像数据样本对应的多个类别相似度中最大类别相似度进行标记时,具体执行以下操作:
特征提取层分别提取所述图像支持集和图像查询集各自对应的特征图集合;其中,所述特征图集合为多层的特征图,每个层的特征图包含多个通道,每个通道对应一个特征图;
注意力增强层通过全局平均池化网络分别提取出所述每个层特征图对应的权重向量,并对所述特征图对应的查询特征和支持特征互相加权,得到加权后的查询特征和支持特征;
注意力增强层根据归一化算法对特征图对应的查询特征和支持特征构建归一化的注意力分数图,并根据归一化的注意力分数图对所述加权后的查询特征和支持特征二次加权,生成二次加权后的查询增强特征和支持增强特征;
特征融合层将所述加权后的查询特征和支持特征和二次加权后的查询增强特征和支持增强特征进行特征拼接,生成查询融合特征和支持融合特征;
特征分类层将所述查询融合特征和支持融合特征进行相似概率值计算,生成查询融合特征和支持融合特征的多个相似程度概率值;
类别输出层将所述多个相似程度概率值进行降序排列,并提取所述排列在第一位的相似程度概率值进行类别标记,输出样本的类别标记。
在本申请实施例中,图像处理***首先确定待分类的图像数据集,再抽取图像数据集中多个类别的图像数据样本,并基于多个类别的图像数据样本建立图像支持集,然后基于图像数据集中抽取后剩余的图像数据样本再次抽取多个类别的数据样本建立图像查询集,再根据图像支持集对预先训练的小样本分类网络进行泛化处理,并将图像查询集中各图像数据样本输入泛化处理后的小样本分类网络中,最后输出各图像数据样本的类别。因此,采用本申请实施例,由于本申请通过提取到支持集和查询集的样本特征进行特征融合处理,使得两个集合互相增强样本间的相关特征来突出样本间都感兴趣的特征,从而提升了图像分类的精度。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,的程序可存储于计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,的存储介质可为磁碟、光盘、只读存储记忆体或随机存储记忆体等。
以上所揭露的仅为本申请较佳实施例而已,当然不能以此来限定本申请之权利范围,因此依本申请权利要求所作的等同变化,仍属本申请所涵盖的范围。
Claims (10)
1.一种基于小样本学习的图像分类方法,其特征在于,所述方法包括:
确定待分类的图像数据集;
抽取所述图像数据集中多个类别的第一图像数据样本,并基于所述多个类别的图像数据样本建立图像支持集;
从所述图像数据集中抽取后剩余的图像数据样本中再次抽取多个类别的第二图像数据样本,并基于所述多个类别的第二图像数据样本建立图像查询集;其中,所述第二图像数据样本的类别数量小于第一图像数据样本的类别数量;
根据所述图像支持集对预先训练的小样本分类网络进行泛化处理,并将所述图像查询集中各图像数据样本输入所述泛化处理后的小样本分类网络中,输出所述各图像数据样本的类别。
2.根据权利要求1所述的方法,其特征在于,所述将所述图像查询集中各图像数据样本输入所述泛化处理后的小样本分类网络中,输出所述各图像数据样本的类别,包括:
基于所述泛化处理后的小样本分类网络计算所述图像查询集中各图像数据样本与所述图像支持集之间的多个类别相似度,并将所述各图像数据样本对应的多个类别相似度中最大类别相似度进行标记;
输出所述各图像样本数据的类别。
3.根据权利要求1所述的方法,其特征在于,所述小样本分类网络包括特征提取层、注意力增强层、特征融合层、特征分类层以及类别输出层;
所述基于所述泛化处理后的小样本分类网络计算所述图像查询集中各图像数据样本与所述图像支持集之间的多个类别相似度,并将所述各图像数据样本对应的多个类别相似度中最大类别相似度进行标记,包括:
特征提取层分别提取所述图像支持集和图像查询集各自对应的特征图集合;其中,所述特征图集合为多层的特征图,每个层的特征图包含多个通道,每个通道对应一个特征图;
注意力增强层通过全局平均池化网络分别提取出所述每个层特征图对应的权重向量,并对所述特征图对应的查询特征和支持特征互相加权,得到加权后的查询特征和支持特征;
注意力增强层根据归一化算法对特征图对应的查询特征和支持特征构建归一化的注意力分数图,并根据归一化的注意力分数图对所述加权后的查询特征和支持特征二次加权,生成二次加权后的查询增强特征和支持增强特征;
特征融合层将所述加权后的查询特征和支持特征和二次加权后的查询增强特征和支持增强特征进行特征拼接,生成查询融合特征和支持融合特征;
特征分类层将所述查询融合特征和支持融合特征进行相似概率值计算,生成查询融合特征和支持融合特征的多个相似程度概率值;
类别输出层将所述多个相似程度概率值进行降序排列,并提取所述排列在第一位的相似程度概率值进行类别标记后输出样本的类别标记。
4.根据权利要求1所述的方法,其特征在于,按照下述方法训练小样本分类网络,包括:
采集训练图像数据样本;
针对所述训练图像数据样本构建多个小样本网络训练任务;
针对所述多个小样本网络训练任务中每一个小样本网络训练任务,分别提取出图像支持集和图像查询集;
创建小样本分类网络,并基于所述图像支持集和图像查询集对小样本分类网络进行训练;
当所述训练后的小样本分类网络的损失值小于预设值时,生成预先训练的小样本分类网络。
5.根据权利要求4所述的方法,其特征在于,所述创建小样本分类网络,基于所述图像支持集和图像查询集对小样本分类网络进行训练,包括:
创建小样本分类网络,所述创建的小样本分类网络包括特征提取层、注意力增强层、特征融合层、特征分类层以及类别输出层;
特征提取层分别提取所述图像支持集和图像查询集各自对应的特征图集合;其中,所述特征图集合为多层的特征图,每个层的特征图包含多个通道,每个通道对应一个特征图;
注意力增强层通过全局平均池化网络分别提取出所述每个层特征图对应的权重向量,并对所述特征图对应的查询特征和支持特征互相加权,得到加权后的查询特征和支持特征;
注意力增强层根据归一化算法对特征图对应的查询特征和支持特征构建归一化的注意力分数图,并根据归一化的注意力分数图对所述加权后的查询特征和支持特征二次加权,生成二次加权后的查询增强特征和支持增强特征;
特征融合层将所述加权后的查询特征和支持特征和二次加权后的查询增强特征和支持增强特征进行特征拼接,生成查询融合特征和支持融合特征;
特征分类层将所述查询融合特征和支持融合特征进行相似概率值计算,生成查询融合特征和支持融合特征相似程度概率值;
类别输出层将所述多个相似程度概率值进行降序排列,并提取所述排列在第一位的相似程度概率值进行类别标记,输出样本的类别标记。
6.根据权利要求4或5所述的方法,其特征在于,当所述训练后的小样本分类网络的损失值小于预设值时,生成预先训练的小样本分类网络,包括:
当所述训练后的小样本分类网络的损失值小于预设值时,继续执行所述特征提取层分别提取所述图像支持集和图像查询集各自对应的特征图集合的步骤。
7.根据权利要求5所述的方法,其特征在于,所述特征图的提取是通过卷积神经网络进行卷积后得到,所述卷积时使用的卷积参数为1x1的卷积参数。
8.一种基于小样本学习的图像分类***,其特征在于,所述***包括:
数据集确定模块,用于确定待分类的图像数据集;
图像支持集建立模块,用于抽取所述图像数据集中多个类别的图像数据样本,并基于所述多个类别的图像数据样本建立图像支持集;
图像查询集建立模块,用于从所述图像数据集中抽取后剩余的图像数据样本中再次抽取多个类别的第二图像数据样本,并基于所述多个类别的第二图像数据样本建立图像查询集;其中,所述第二图像数据样本的类别数量小于第一图像数据样本的类别数量;
类别输出模块,用于根据所述图像支持集对预先训练的小样本分类网络进行泛化处理,并将所述图像查询集中各图像数据样本输入所述泛化处理后的小样本分类网络中,输出所述各图像数据样本的类别。
9.一种计算机存储介质,其特征在于,所述计算机存储介质存储有多条指令,所述指令适于由处理器加载并执行如权利要求1~7任意一项的方法步骤。
10.一种终端,其特征在于,包括:处理器和存储器;其中,所述存储器存储有计算机程序,所述计算机程序适于由所述处理器加载并执行如权利要求1~7任意一项的方法步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011150086.8A CN112434721B (zh) | 2020-10-23 | 2020-10-23 | 一种基于小样本学习的图像分类方法、***、存储介质及终端 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011150086.8A CN112434721B (zh) | 2020-10-23 | 2020-10-23 | 一种基于小样本学习的图像分类方法、***、存储介质及终端 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112434721A true CN112434721A (zh) | 2021-03-02 |
CN112434721B CN112434721B (zh) | 2023-09-01 |
Family
ID=74696002
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011150086.8A Active CN112434721B (zh) | 2020-10-23 | 2020-10-23 | 一种基于小样本学习的图像分类方法、***、存储介质及终端 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112434721B (zh) |
Cited By (24)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112784929A (zh) * | 2021-03-14 | 2021-05-11 | 西北工业大学 | 一种基于双元组扩充的小样本图像分类方法及装置 |
CN112819075A (zh) * | 2021-02-02 | 2021-05-18 | 电子科技大学 | 一种基于转导式推理的均衡小样本任务分类方法 |
CN113052185A (zh) * | 2021-03-12 | 2021-06-29 | 电子科技大学 | 一种基于Faster R-CNN的小样本目标检测方法 |
CN113052802A (zh) * | 2021-03-11 | 2021-06-29 | 南京大学 | 基于医学图像的小样本图像分类方法、装置及设备 |
CN113111205A (zh) * | 2021-04-13 | 2021-07-13 | 复旦大学 | 基于元滤波核的图像特征动态对齐方法及装置 |
CN113177533A (zh) * | 2021-05-28 | 2021-07-27 | 济南博观智能科技有限公司 | 一种人脸识别方法、装置及电子设备 |
CN113221964A (zh) * | 2021-04-22 | 2021-08-06 | 华南师范大学 | 单样本图像分类方法、***、计算机设备及存储介质 |
CN113313669A (zh) * | 2021-04-23 | 2021-08-27 | 石家庄铁道大学 | 一种地铁隧道表面病害图像顶层语义特征增强方法 |
CN113392876A (zh) * | 2021-05-24 | 2021-09-14 | 电子科技大学 | 一种基于图神经网络的小样本图像分类方法 |
CN113537088A (zh) * | 2021-07-20 | 2021-10-22 | 杭州人云数字科技有限公司 | 基于小样本学习的数字图像传感器硬件指纹匹配方法与*** |
CN113592008A (zh) * | 2021-08-05 | 2021-11-02 | 哈尔滨理工大学 | 一种基于自编码器的图神经网络机制解决小样本图像分类的***、方法、设备及存储介质 |
CN113627522A (zh) * | 2021-08-09 | 2021-11-09 | 华南师范大学 | 基于关系网络的图像分类方法、装置、设备及存储介质 |
CN113673583A (zh) * | 2021-07-30 | 2021-11-19 | 浙江大华技术股份有限公司 | 一种图像识别方法、识别网络的训练方法及相关装置 |
CN113780335A (zh) * | 2021-07-26 | 2021-12-10 | 华南师范大学 | 一种小样本商品图像分类方法、装置、设备及存储介质 |
CN114494195A (zh) * | 2022-01-26 | 2022-05-13 | 南通大学 | 用于眼底图像分类的小样本注意力机制并行孪生方法 |
CN114529765A (zh) * | 2022-02-16 | 2022-05-24 | 腾讯科技(深圳)有限公司 | 一种数据处理方法、设备以及计算机可读存储介质 |
CN114612708A (zh) * | 2022-02-23 | 2022-06-10 | 广州市玄武无线科技股份有限公司 | 商品识别方法、装置、终端设备及计算机可读介质 |
CN114818963A (zh) * | 2022-05-10 | 2022-07-29 | 电子科技大学 | 一种基于跨图像特征融合的小样本检测算法 |
CN115115825A (zh) * | 2022-05-27 | 2022-09-27 | 腾讯科技(深圳)有限公司 | 图像中的对象检测方法、装置、计算机设备和存储介质 |
CN115131580A (zh) * | 2022-08-31 | 2022-09-30 | 中国科学院空天信息创新研究院 | 基于注意力机制的空间目标小样本识别方法 |
CN115424053A (zh) * | 2022-07-25 | 2022-12-02 | 北京邮电大学 | 小样本图像识别方法、装置、设备及存储介质 |
CN115775340A (zh) * | 2023-02-13 | 2023-03-10 | 北京科技大学 | 一种基于特征调制的自适应小样本图像分类方法及装置 |
CN116403071A (zh) * | 2023-03-23 | 2023-07-07 | 河海大学 | 基于特征重构的少样本混凝土缺陷检测方法及装置 |
WO2023137889A1 (zh) * | 2022-01-20 | 2023-07-27 | 北京邮电大学 | 基于嵌入增强和自适应的小样本图像增量分类方法及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170330054A1 (en) * | 2016-05-10 | 2017-11-16 | Baidu Online Network Technology (Beijing) Co., Ltd. | Method And Apparatus Of Establishing Image Search Relevance Prediction Model, And Image Search Method And Apparatus |
CN109961089A (zh) * | 2019-02-26 | 2019-07-02 | 中山大学 | 基于度量学习和元学习的小样本和零样本图像分类方法 |
CN110569886A (zh) * | 2019-08-20 | 2019-12-13 | 天津大学 | 一种双向通道注意力元学习的图像分类方法 |
CN110580500A (zh) * | 2019-08-20 | 2019-12-17 | 天津大学 | 一种面向人物交互的网络权重生成少样本图像分类方法 |
CN110717554A (zh) * | 2019-12-05 | 2020-01-21 | 广东虚拟现实科技有限公司 | 图像识别方法、电子设备及存储介质 |
-
2020
- 2020-10-23 CN CN202011150086.8A patent/CN112434721B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170330054A1 (en) * | 2016-05-10 | 2017-11-16 | Baidu Online Network Technology (Beijing) Co., Ltd. | Method And Apparatus Of Establishing Image Search Relevance Prediction Model, And Image Search Method And Apparatus |
CN109961089A (zh) * | 2019-02-26 | 2019-07-02 | 中山大学 | 基于度量学习和元学习的小样本和零样本图像分类方法 |
CN110569886A (zh) * | 2019-08-20 | 2019-12-13 | 天津大学 | 一种双向通道注意力元学习的图像分类方法 |
CN110580500A (zh) * | 2019-08-20 | 2019-12-17 | 天津大学 | 一种面向人物交互的网络权重生成少样本图像分类方法 |
CN110717554A (zh) * | 2019-12-05 | 2020-01-21 | 广东虚拟现实科技有限公司 | 图像识别方法、电子设备及存储介质 |
Cited By (38)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112819075A (zh) * | 2021-02-02 | 2021-05-18 | 电子科技大学 | 一种基于转导式推理的均衡小样本任务分类方法 |
CN113052802A (zh) * | 2021-03-11 | 2021-06-29 | 南京大学 | 基于医学图像的小样本图像分类方法、装置及设备 |
CN113052802B (zh) * | 2021-03-11 | 2024-04-09 | 南京大学 | 基于医学图像的小样本图像分类方法、装置及设备 |
CN113052185A (zh) * | 2021-03-12 | 2021-06-29 | 电子科技大学 | 一种基于Faster R-CNN的小样本目标检测方法 |
CN112784929A (zh) * | 2021-03-14 | 2021-05-11 | 西北工业大学 | 一种基于双元组扩充的小样本图像分类方法及装置 |
CN112784929B (zh) * | 2021-03-14 | 2023-03-28 | 西北工业大学 | 一种基于双元组扩充的小样本图像分类方法及装置 |
CN113111205A (zh) * | 2021-04-13 | 2021-07-13 | 复旦大学 | 基于元滤波核的图像特征动态对齐方法及装置 |
CN113111205B (zh) * | 2021-04-13 | 2022-06-14 | 复旦大学 | 基于元滤波核的图像特征动态对齐方法及装置 |
CN113221964A (zh) * | 2021-04-22 | 2021-08-06 | 华南师范大学 | 单样本图像分类方法、***、计算机设备及存储介质 |
CN113221964B (zh) * | 2021-04-22 | 2022-06-24 | 华南师范大学 | 单样本图像分类方法、***、计算机设备及存储介质 |
CN113313669B (zh) * | 2021-04-23 | 2022-06-03 | 石家庄铁道大学 | 一种地铁隧道表面病害图像顶层语义特征增强方法 |
CN113313669A (zh) * | 2021-04-23 | 2021-08-27 | 石家庄铁道大学 | 一种地铁隧道表面病害图像顶层语义特征增强方法 |
CN113392876B (zh) * | 2021-05-24 | 2022-07-05 | 电子科技大学 | 一种基于图神经网络的小样本图像分类方法 |
CN113392876A (zh) * | 2021-05-24 | 2021-09-14 | 电子科技大学 | 一种基于图神经网络的小样本图像分类方法 |
CN113177533B (zh) * | 2021-05-28 | 2022-09-06 | 济南博观智能科技有限公司 | 一种人脸识别方法、装置及电子设备 |
CN113177533A (zh) * | 2021-05-28 | 2021-07-27 | 济南博观智能科技有限公司 | 一种人脸识别方法、装置及电子设备 |
CN113537088A (zh) * | 2021-07-20 | 2021-10-22 | 杭州人云数字科技有限公司 | 基于小样本学习的数字图像传感器硬件指纹匹配方法与*** |
CN113780335B (zh) * | 2021-07-26 | 2023-09-29 | 华南师范大学 | 一种小样本商品图像分类方法、装置、设备及存储介质 |
CN113780335A (zh) * | 2021-07-26 | 2021-12-10 | 华南师范大学 | 一种小样本商品图像分类方法、装置、设备及存储介质 |
CN113673583A (zh) * | 2021-07-30 | 2021-11-19 | 浙江大华技术股份有限公司 | 一种图像识别方法、识别网络的训练方法及相关装置 |
CN113592008B (zh) * | 2021-08-05 | 2022-05-31 | 哈尔滨理工大学 | 小样本图像分类的***、方法、设备及存储介质 |
CN113592008A (zh) * | 2021-08-05 | 2021-11-02 | 哈尔滨理工大学 | 一种基于自编码器的图神经网络机制解决小样本图像分类的***、方法、设备及存储介质 |
CN113627522A (zh) * | 2021-08-09 | 2021-11-09 | 华南师范大学 | 基于关系网络的图像分类方法、装置、设备及存储介质 |
WO2023137889A1 (zh) * | 2022-01-20 | 2023-07-27 | 北京邮电大学 | 基于嵌入增强和自适应的小样本图像增量分类方法及装置 |
CN114494195B (zh) * | 2022-01-26 | 2024-06-04 | 南通大学 | 用于眼底图像分类的小样本注意力机制并行孪生方法 |
CN114494195A (zh) * | 2022-01-26 | 2022-05-13 | 南通大学 | 用于眼底图像分类的小样本注意力机制并行孪生方法 |
CN114529765A (zh) * | 2022-02-16 | 2022-05-24 | 腾讯科技(深圳)有限公司 | 一种数据处理方法、设备以及计算机可读存储介质 |
CN114612708A (zh) * | 2022-02-23 | 2022-06-10 | 广州市玄武无线科技股份有限公司 | 商品识别方法、装置、终端设备及计算机可读介质 |
CN114818963B (zh) * | 2022-05-10 | 2023-05-09 | 电子科技大学 | 一种基于跨图像特征融合的小样本检测方法 |
CN114818963A (zh) * | 2022-05-10 | 2022-07-29 | 电子科技大学 | 一种基于跨图像特征融合的小样本检测算法 |
CN115115825A (zh) * | 2022-05-27 | 2022-09-27 | 腾讯科技(深圳)有限公司 | 图像中的对象检测方法、装置、计算机设备和存储介质 |
CN115115825B (zh) * | 2022-05-27 | 2024-05-03 | 腾讯科技(深圳)有限公司 | 图像中的对象检测方法、装置、计算机设备和存储介质 |
CN115424053B (zh) * | 2022-07-25 | 2023-05-02 | 北京邮电大学 | 小样本图像识别方法、装置、设备及存储介质 |
CN115424053A (zh) * | 2022-07-25 | 2022-12-02 | 北京邮电大学 | 小样本图像识别方法、装置、设备及存储介质 |
CN115131580A (zh) * | 2022-08-31 | 2022-09-30 | 中国科学院空天信息创新研究院 | 基于注意力机制的空间目标小样本识别方法 |
CN115775340A (zh) * | 2023-02-13 | 2023-03-10 | 北京科技大学 | 一种基于特征调制的自适应小样本图像分类方法及装置 |
CN116403071A (zh) * | 2023-03-23 | 2023-07-07 | 河海大学 | 基于特征重构的少样本混凝土缺陷检测方法及装置 |
CN116403071B (zh) * | 2023-03-23 | 2024-03-26 | 河海大学 | 基于特征重构的少样本混凝土缺陷检测方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN112434721B (zh) | 2023-09-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112434721B (zh) | 一种基于小样本学习的图像分类方法、***、存储介质及终端 | |
CN111797893B (zh) | 一种神经网络的训练方法、图像分类***及相关设备 | |
CN110796204A (zh) | 视频标签确定方法、装置和服务器 | |
CN114298122B (zh) | 数据分类方法、装置、设备、存储介质及计算机程序产品 | |
CN113408570A (zh) | 一种基于模型蒸馏的图像类别识别方法、装置、存储介质及终端 | |
CN115131698B (zh) | 视频属性确定方法、装置、设备及存储介质 | |
CN111950702A (zh) | 一种神经网络结构确定方法及其装置 | |
CN114821096A (zh) | 一种图像处理方法、神经网络的训练方法以及相关设备 | |
WO2022100607A1 (zh) | 一种神经网络结构确定方法及其装置 | |
CN111652181A (zh) | 目标跟踪方法、装置及电子设备 | |
CN113434722B (zh) | 图像分类方法、装置、设备及计算机可读存储介质 | |
CN113705293A (zh) | 图像场景的识别方法、装置、设备及可读存储介质 | |
CN112183303A (zh) | 变电设备图像分类方法、装置、计算机设备和介质 | |
CN116958729A (zh) | 对象分类模型的训练、对象分类方法、装置及存储介质 | |
CN116977265A (zh) | 缺陷检测模型的训练方法、装置、计算机设备和存储介质 | |
CN116958590A (zh) | 媒体资源的处理方法和装置、存储介质及电子设备 | |
CN115713669A (zh) | 一种基于类间关系的图像分类方法、装置、存储介质及终端 | |
CN113780532B (zh) | 语义分割网络的训练方法、装置、设备及存储介质 | |
CN115033700A (zh) | 基于相互学习网络的跨领域情感分析方法、装置以及设备 | |
CN114332599A (zh) | 图像识别方法、装置、计算机设备、存储介质和产品 | |
CN113822293A (zh) | 用于图数据的模型处理方法、装置、设备及存储介质 | |
CN113159315A (zh) | 一种神经网络的训练方法、数据处理方法以及相关设备 | |
Yu et al. | Construction of garden landscape design system based on multimodal intelligent computing and deep neural network | |
CN117173493B (zh) | 分类模型的训练方法、装置、设备、程序产品及存储介质 | |
CN118035454B (zh) | 表情包分类识别方法、装置、计算机设备以及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |