申请/专利权人：山东大学

申请日：2024-04-02

公开（公告）日：2024-06-21

公开（公告）号：CN117975203B

主分类号：G06V10/774

分类号：G06V10/774;G06V10/72;G06V10/764;G06V10/82;G06V10/44;G06N3/045;G06N3/0495;G06N3/0895;G06N3/096;G06N3/0464

优先权：

专利状态码：有效-授权

法律状态：2024.06.21#授权;2024.05.21#实质审查的生效;2024.05.03#公开

摘要：本发明涉及小样本类增量学习技术领域，特别是涉及基于数据增强的小样本图像类增量学习方法及系统，使用第一类数据集，对待训练图像分类模型进行训练，得到基图像分类网络模型；如果是首次执行，则对基图像分类网络模型进行训练，得到训练后的类增量学习网络模型；非首次执行，则使用第二类数据集中的下一个子数据集，对前一轮训练后的类增量学习网络模型进行训练，得到当前轮训练后的类增量学习网络模型；重复执行直至得到最终训练后的类增量学习网络；得到待分类图像的分类标签。本发明提出的基于数据增强的流式小样本类增量学习方法对避免旧任务的灾难性遗忘以及对新任务的过拟合进行了较好的解决。

主权项：1.基于数据增强的小样本图像类增量学习方法，其特征是，包括：1构建待训练图像分类模型；构建第一类数据集和第二类数据集，第一类数据集的数据也称为基类数据；第二类数据集的数据也称为新类数据；其中，所述第二类数据集，包括：T个子数据集，每个子数据集中包含N个类别、每个类别K个图像；T个子数据集彼此之间不存在相同类别的图像；T、N和K均为正整数；2使用第一类数据集，对待训练图像分类模型进行训练，得到基图像分类网络模型；3如果是首次执行，则使用第二类数据集中的第一个子数据集，对基图像分类网络模型进行训练，得到训练后的类增量学习网络模型；如果是非首次执行，则使用第二类数据集中的下一个子数据集，对前一轮训练后的类增量学习网络模型进行训练，得到当前轮训练后的类增量学习网络模型；其中，第二类数据集中的每一个子数据集，在使用之前进行均执行数据增强处理；第二类数据集中的每一个子数据集，在使用之前进行均执行数据增强处理，具体包括：基于基类数据的特征向量均值和协方差矩阵，生成伪基类样本；基于基类数据的特征向量均值和协方差矩阵，对当前子数据集进行处理，生成伪新类样本；将伪基类样本、伪新类样本和当前子数据集合并，作为数据增强后的子数据集；所述基于基类数据的特征向量均值和协方差矩阵，对当前子数据集进行处理，生成伪新类样本，包括：首先，针对每个新类t的所有样本，计算类均值μt与协方差矩阵∑t： 其中，xi为属于类t的样本，样本xi经过特征提取网络后得到特征向量nt为类t的样本个数，计算得到类均值μt；使用类均值μt与类t样本特征向量计算得到协方差矩阵∑t；其次，使用L2范数，计算出与当前新类的类均值最相近的旧类，表述如下：D＝{-||μt-μj||2|j＝1，2，...，s}；其中，s为基类类别总数，通过计算新类t与各基类的类均值的L2范数||μt-μj||2，得到新类t与各基类的类均值距离；将类均值距离取负，得到距离集合D；在集合D中选择与类t最相近的k个类别，表述如下：Itopk＝{i|i∈topkD}；其中，topkD函数为取距离集合D中，数值最大的k个数的索引i；现得到与新类t最相近的k个类别集合Itopk；根据Itopk中类别标签，构造伪新类样本均值与协方差矩阵表述如下：使用Itopk中的类别标签，取得与类t最相近的k个类别的类均值与协方差矩阵，通过求平均的方式，得到伪新类样本均值与协方差矩阵设当前将生成伪新类的数据，取得特征向量均值协方差矩阵对协方差矩阵进行分解，得到下三角矩阵其中，与满足公式：生成符合标准正态分布的样本zk∈Rd；设第j个基类需生成c个数据，则按照生成的方式，生成c个符合标准正态分布的样本，构成样本集使用下三角矩阵与标准正态分布样本生成属于类的、符合特征向量均值和协方差矩阵的多元高斯分布的m个样本公式如下：每个小样本类增量阶段有n个新类，则生成n个伪新类；在第r个小样本类增量阶段，生成使用类均值与协方差矩阵生成伪新类样本为：Snew＝{Ss+1*r，Ss+2*r，Ss+3*r，...，Ss+n*r}；4重复执行3，直至第二类数据集全部均参与训练后，得到最终训练后的类增量学习网络；5获取待分类的图像，将待分类的图像输入到最终训练后的类增量学习网络中，得到待分类图像的分类标签。

全文数据：

权利要求：

百度查询： 山东大学 基于数据增强的小样本图像类增量学习方法及系统

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD