1.一种基于跨域小样本学习的图像分类方法,其特征在于,
训练样本集包含多个样本,每个样本为一个任务,在所述任务中,根据该任务中的支持集中的样本,识别该任务中的查询集中的样本,所述训练样本集、支持集和查询集的样本数据为图形数据,所述方法包括以下步骤:
步骤S11,根据任务i的支持集Si的样本数据以及分类器网络f的初始分类器网络参数,变分生成网络g生成学习率β的第一分布,对所述第一分布进行采样,得到任务i的学习率βi,利用所述学习率βi获得任务i的分类器网络参数θi′;
步骤S12,根据任务i的查询集Qi的样本数据以及分类器网络参数θi′,计算任务i的目标函数LQi的梯度根据所述梯度变分生成网络g生成学习率β的第二分布,计算所述第一分布与所述第二分布之间的KL距离,通过使所述KL距离最小,生成新的变分生成网络参数以及分类器网络参数θ。
2.根据权利要求1所述的基于跨域小样本学习的图像分类方法,其特征在于,对任务i,重复执行所述步骤S11,S12规定次数J,多次更新任务i的变分生成网络参数以及分类器网络参数θ。
3.根据权利要求1所述的基于跨域小样本学习的图像分类方法,其特征在于,步骤S11中,根据任务i的支持集Si的样本数据以及分类器网络f的初始分类器网络参数θ0,计算任务i的目标函数LSi的梯度根据该梯度变分生成网络g生成学习率β的第一分布。
4.根据权利要求3所述的基于跨域小样本学习的图像分类方法,其特征在于,对不同的任务i,计算查询集Qi上各个任务i的损失函数LQi,将任务i的损失函数LQi与任务i的KL距离相加,得到任务i的目标函数Li-ELBO,计算所有任务的目标函数Li-ELBO之和,得到查询集上的整体目标函数LELBO,根据该整体目标函数LELBO更新变分生成网络参数以及分类器网络参数θ。
5.根据权利要求1所述的基于跨域小样本学习的图像分类方法,其特征在于,步骤S12中,
对于变分生成网络参数计算任务i的目标函数LQi的梯度根据所述梯度生成新的变分生成网络参数对于分类器网络参数θ,计算任务i的目标函数LQi的梯度根据所述梯度生成新的分类器网络参数θ。
6.一种基于跨域小样本学习的图像分类系统,其特征在于,包括:变分生成网络单元,和分类器网络单元,所述分类器网络单元接收任务i的支持集Si的样本数据,所述变分生成网络单元根据该任务i的支持集Si的样本数据以及所述分类器网络单元的初始分类器网络参数,生成学习率β的第一分布,所述分类器网络单元对所述第一分布进行采样,得到任务i的学习率βi,所述分类器网络单元利用所述学习率βi获得任务i的分类器网络参数θ′i;
所述分类器网络单元接收任务i的查询集Qi的样本数据,根据该任务i的查询集Qi的样本数据以及分类器网络参数θi′,计算任务i的目标函数LQi的梯度所述变分生成网络单元根据所述梯度生成学习率β的第二分布;
所述分类器网络单元计算所述第一分布与所述第二分布之间的KL距离,通过使所述KL距离最小,生成新的变分生成网络参数以及分类器网络参数θ;
其中,所述支持集Si和查询集Qi的样本数据为图形数据。
7.根据权利要求6所述的基于跨域小样本学习的图像分类系统,其特征在于,所述分类器网络单元根据任务i的支持集Si的样本数据以及所述分类器网络单元的初始分类器网络参数,计算任务i的目标函数LSi的梯度所述变分生成网络单元根据该梯度生成学习率β的第一分布。
8.根据权利要求7所述的基于跨域小样本学习的图像分类系统,其特征在于,所述分类器网络单元计算查询集Qi上各个任务i的损失函数LQi,将任务i的损失函数LQi与任务i的KL距离相加,得到任务i的目标函数Li-ELBO,计算所有任务的目标函数Li-ELBO之和,得到整体目标函数LELBO,根据该整体目标函数LELBO更新变分生成网络参数以及分类器网络参数θ。
9.根据权利要求6所述的基于跨域小样本学习的图像分类系统,其特征在于,所述分类器网络单元对于变分生成网络参数计算任务i的目标函数LQi的梯度根据所述梯度生成新的变分生成网络参数并对于分类器网络参数θ,计算任务i的目标函数LQi的梯度根据所述梯度生成新的分类器网络参数θ。
10.一种电子设备,其特征在于,包括一个或多个处理器及存储器,所述存储器上存储有一个或多个计算机程序,当所述一个或多个处理器执行所述一个或多个计算机程序时,实现权利要求1-5中任一项所述的基于跨域小样本学习的图像分类方法。
11.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中存储有计算机程序,所述计算机程序程序被处理器运行时实现权利要求1-5中任一项所述的基于跨域小样本学习的图像分类方法。