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：东南大学

摘要：本发明公开了一种基于维度自适应的小样本图像分类方法，并与MetaLearning相结合;步骤如下：首先，对输入的图像进行预处理，包括了图像的裁剪、归一化以及旋转，同时对旋转所得到的图片逐一进行数据增强，并将得到的图像按类别组合最终得到每一类输入图像的集合。然后，将图像集合输入网络中，先会对每一张图像进行特征提取，再通过SVD对得到的特征计算每一类图像的自适应维度以及对应的子空间。最后，将需要识别的图像输入到模型中，并计算需要识别的图像特征到每一类图像相应子空间的距离，与其距离最小的则视为分类结果。本发明识别效果好，并且针对解决缺少训练样本的情况有一定实际意义。

主权项：1.一种基于维度自适应的小样本图像分类方法，其特征在于：步骤1：对训练集数据以及测试集数据中的图像进行预处理，包括了图像的裁剪、归一化以及旋转；同时对预处理后的图像进行数据增强，在已有的小样本数据基础上扩充一定的样本数量；步骤2：将预处理之后的图像按图像类别划分，以任务为单位作为网络训练的基本输入单位；步骤3：通过卷积神经网络对图像进行处理，分别提取同一类类别中每一张图像的特征，进而获得具有代表性和辨识度的类别特征；步骤4：根据步骤2所获得的类别特征计算相应的自适应维度，并据此获得每一类图像所对应的自适应特征子空间；所述步骤4的具体方法为：步骤4.1：通过对做奇异值分解SVD，可以得到这组样本的左奇异矩阵Us，右奇异值矩阵Vs以及奇异值矩阵∑s，其中奇异值矩阵的主对角线包含了全部的特征值，奇异值矩阵中的特征向量与奇异值矩阵∑s中的奇异值存在一一对应的关系；奇异值分解过程如下式： 步骤4.2：对分解所得的奇异值按递减的顺序排列，选取前m个奇异值以及对应左奇异值矩阵的前m个向量作为投影到m维子空间的投影变换矩阵；步骤4.3：通过一般交叉验证的方法对m具体的数值进行确定，使得预测值均方差误差最小；令X＝{x1,x2,...,xn}是一组具有n个样本的数据，每个样本含有c个维度，其中c≥m；对其使用奇异值分解并降至m维后再重构至c维，得到则均方误差如下式： 进一步，通过公式2的一阶近似公式可以简化计算的复杂度，如下式： 通过最小化GCV即可得到最优化的维度m，使得网络在保留原始信息的同时拥有更好的泛化能力；步骤4.4：根据每一类图像计算得到的相应维度m对支持集中的图像的特征进行降维操作；即对奇异值按降序排列，并取前m个奇异值在左奇异矩阵Us所对应的向量作为降维后的子空间；步骤5：改进损失函数，在损失函数中加入对于高维和低维特征的约束，来为网络的训练提供更多的信息和引导；即对同一类别样本图像在三个不同的维度对网络中间层的特征计算距离并最小化；最后将三个维度的距离加权求和作为整体损失函数的一部分，并利用梯度下降的方法更新网络参数；步骤6：将需要识别的图像输入到特征提取网络中，得到对应的图像特征，再计算该特征到各个特征子空间的距离，则识别结果判别为与图像特征距离最近的子空间所属类别。

全文数据：

权利要求：

百度查询： 东南大学 一种基于维度自适应的小样本图像分类方法