1.一种基于大边界贝叶斯原型学习的小样本图像分类方法,其特征在于,包括以下步骤:S1、对数据进行预处理,其中数据包括训练集和测试集;
S2、基于卷积神经网络和高斯分布模型,构建贝叶斯原型分布模型,模型由嵌入模块fθ和分布映射模块组成;其中,嵌入模块用于提取样本特征,包含四个卷积块,每个卷积块均包括卷积层、池化层以及非线性激活函数;分布映射模块由一层全连接层和转换层组成,用于将样本的深层特征转换为多维高斯分布;
S3、基于优化后的贝叶斯原型分布模型的目标函数并求解模型参数;
S4、利用优化后的贝叶斯原型分布模型对测试集图像进行分类,测评模型的性能。
2.根据权利要求1所述的基于大边界贝叶斯原型学习的小样本图像分类方法,其特征在于,步骤S1的预处理方法为:S11 ,将数 据 分为训练集
和测试集 两部分,且这两部分的类别空
间互斥,将Dtrain作为基类数据训练模型,Dtest作为新类数据测评模型性能;
S12,对于C‑way K‑shot分类任务,从Dtrain中随机选出C个类别,每个类别中随机选出M个样本,其中K个样本作为支持样本Si,其余M‑K个样本作为查询样本Qi,Si和Qi构成一个任务Ti;同样地,对于Dtest有任务
3.根据权利要求2所述的基于大边界贝叶斯原型学习的小样本图像分类方法,其特征在于,步骤S11中遵循四层卷积架构来形成特征提取器F,其中每个卷积块包含一个带有64个滤波器的3×3的卷积,一个批量归一化,一个relu非线性层,一个2×2最大池化层,裁剪了最后两个块的最大池化层,特征提取器的输出大小为64×5×5=1600;利用128维全连接层构建原始生成器,最后通过聚合规划获得支持集和目标集的64维分布。
4.根据权利要求2所述的基于大边界贝叶斯原型学习的小样本图像分类方法,其特征在于,步骤S12中全连接层将样本深层特征映射为一个向量,该向量一部分作为样本均值μ,另一部分作为样本原始方差向量 转换层将原始的方差向量转换为样本的方差向量2
σ。
5.根据权利要求1所述的基于大边界贝叶斯原型学习的小样本图像分类方法,其特征在于,步骤S3具体包括:S31、对于Dtrain中的一个任务Ti,首先将所有支持样本和查询样本输入嵌入模块 中;
S32、利用嵌入模块中的卷积神经网络,将支持样本依次经过卷积层、池化层和激活层,最终提取图像的特征S33、支持样本和查询样本经过全连接层之后获取样本的全局特征;
S34、样本经过全连接层后,部分向量作为样本均值μ,另一部分向量样本原始方差向量2
经过转化层,将原始的方差向量转换为样本的方差向量σ,最终得到支持样本的分布S35、利用公式(1)和(2)获取的支持样本的类原型;
式(1)中xi代表样本,Sc代表支持样本中第C类别,μ(xi)代表样本xi的均值,μc代表类别C的均值即第c个类的分布,式(1)整体代表求类别C的加权调和平均数,代表模型中不同类原型的位置,式(2)代表求类别C的方差,表示样本的波动幅度,式(1)和(2)结合在一起表示样本的类原型;
S36、利用公式(3)计算所有支持样本的预测概率Pr(μ(xi)|q(z|Sc)):式(3)中q(z|Sc)为第C类支持集样本的分布,Pr(X)这里指代预测概率;式(3)代表所有支持样本c的预测概率由高斯分布得到,其中均值是μc,代表了所有维度中向量的均值,同时也代表了样本的位置,集中了从样本中提取的类信息,方差是 代表不同维度的显著性;
S37,利用预测概率可以得到整个任务T的分类损失LR(S)为:式(4)代表的是整个任务T的分类损失,S代表支持集样本,c代表第c个样本类,Pr代表预测概率,Sc代表支持样本c,等式左侧代表了支持样本损失函数,等式右侧代表交叉熵损失函数;
S38,利用式(5)计算不同任务之间的损失,即判断预测样本和真实样本之间的相似程度,即不同类别之间分布的KL散度:S39,利用公式(6)计算总的损失L:
L=LR+Linter (6)
S310,采用MAML的优化方式,利用公式(6)中支持样本的损失函数,进行多步随机梯度下降,得到新的网络参数;
S311,利用公式(4)计算查询样本在该参数下的分类预测损失,并利用Adam优化器更新模型。
6.根据权利要求1所述的基于大边界贝叶斯原型学习的小样本图像分类方法,其特征在于,步骤S4的具体步骤为:S41,每个任务 由支持集 和查询集 组成,将所有支持样本经过贝叶斯原型分布模型,得到每个样本x的分布 并用公式(1)和公式(2)计算支持样本的类原型;
式(1)中xi代表样本,Sc代表支持样本中第C类别,μ(xi)代表样本xi的均值,μc代表类别C的均值即第c个类的分布,式(1)整体代表求类别C的加权调和平均数,代表模型中不同类原型的位置,式(2)代表求类别C的方差,表样本的波动程度,式(1)和(2)结合在一起表示样本的类原型;
S42,将查询样本输入训练好的嵌入模块fθ中;然后,将嵌入模块输出的矩阵特征经过贝叶斯原型分布模型,获得查询样本下的每个类的分布,直观地计算目标点所在类的置信度,再利用置信度进行分类,获取预测结果。
7.一种基于大边界贝叶斯原型学习的小样本图像分类装置,其特征在于,用以实现权利要求1‑8所述的任一项方法,包括以下模块:数据预处理模块:用于对数据进行预处理,将数据划分成为训练集和测试集并且确定模型的训练方式;
网络模型构建模块:用于引入卷积神经网络模型和多维高斯分布,构建基于大边界贝叶斯原型学习的小样本图像分类模型,模型由嵌入模块fθ和分布映射模块组成;其中,嵌入模块用于提取样本特征,包含四个卷积块,每个卷积块均包括卷积层、池化层以及非线性激活函数;分布映射模块一层全连接层和转换层组成,用于将样本的深层特征转换为多维高斯分布;
训练模型参数模块:基于优化后的贝叶斯原型分布模型的目标函数并求解模型参数;
测试模型性能模块:利用优化后的贝叶斯原型分布模型对测试集图像进行分类,测评模型的性能。