CN115272692B 基于特征金字塔和特征融合的小样本图像分类方法及系统 （华南理工大学）

基于特征金字塔和特征融合的小样本图像本发明公开了一种基于特征金字塔和特征2S3.采用C_wayK_shot方式训练特征金字塔关系网络模型，每次训练分别从训练集采S5.将融合后的特征向量输入关系模块，关系模块输出支撑集图像和查询集图像的相S7.保存训练好的特征金字塔关系网络模型，将特征金字塔关系网络模型用于小样本SyQ)的值为0；2.如权利要求1所述的基于特征金字塔和特征融合的小样本图像分类方法，其特征在3.如权利要求1所述的基于特征金字塔和特征融合的小样本图像分类方法，其特征在4.一种基于特征金字塔和特征融合的小样本图像分类系统，应用权利35.如权利要求4所述的基于特征金字塔和特征融合的小样本图像分类系统，其特征在6.如权利要求4所述的基于特征金字塔和特征融合的小样本图像分类系统，其特征在7.如权利要求5或6所述的基于特征金字塔4模型通过已经得到的初始化参数在Dnovel上[0009]S1.构建多层神经网络的特征金5[0011]S3.采用C_wayK_shot方式[0013]S5.将融合后的特征向量输入关[0014]S6.计算特征金字塔关系网络模[0015]S7.保存训练好的特征金字塔关S表示查询集图像的特征向量，FQ表示支撑集图像的特征向量，Concate[0032]进一步，关系模块包括两个卷积块、两个2*2的最大池化层、ReLU全连接层和6[0039]下面结合附图和具体实施例对本发明基于特征金字塔和特征融合的小样本图像金字塔和特征融合的小样本图像分类方法包括[0041]S1.构建多层神经网络的特征金[0043]S3.采用C_wayK_shot方式[0045]S5.将融合后的特征向量输入关[0046]S6.计算特征金字塔关系网络模[0047]S7.保存训练好的特征金字塔关[0048]请参阅图1，本发明还公开了一种基于特征金字塔和特征融合的小样本图像分类7金字塔关系网络(FeaturePyramidRelationNetwork,FPR[0050]特征金字塔关系网络模型具有多层神经网络，每层神经网络包括特征提取模块系模块用于判别输入的支撑集图像特征和查询集图像特征[0054]在特征金字塔关系网络模型中，除关系模块最后的全连接层的激活函数为Sigmoid函数以外，其他所有的激活函数都用ReLU函数。关系模块的最后输出的使用金字塔关系网络(FPRN)模型的支撑集；再从这C个类别中剩余的数据中抽取一批样本作为8SyQ)的值为0。查询集图像组成，20_way5_shot每次训练，由每类别5张支撑集图像和5张查询集图像组含600张样本，本发明取64个类别用以训练、16个类别用以验证、20个类别用以测试。在在测试中随机采样600次来评估特征金字塔关系网络(FPRN)模型的分类结果，其中5_way[0073]本发明比较了特征金字塔关系网络(FPRN)模型与其他流行的基于度量学习的小样本学习模型的图像分类方法的结果。用于进行对比的模型主要包括孪生网络(SiameseNetwork)、原型网络(PrototypeNetwork)、匹配网络(Matchingnetworks)和关系网络(RelationNetwork)。特征金字塔关系网络模型(FPRN)与这些模型基准在Omniglo数据集9[0076]特征金字塔关系网络(FPRN)模型与孪生网络(SiameseNetwork)、原型网络些模型基准在miniImagenet数据集上的本发明提出的特征金字塔关系网络(FPRN)模型，在5_way1_shot的设置中，能够达到征金字塔关系网络(FPRN)模型的检测速度。本发明实验所用显卡为NVIDIAQuadroP2000设置中，特征金字塔关系网络(FPRN)模型的检测准确率为50.2关系网络模型的检测准确率为47.3特征金字塔关系网络(FPRN)模型比关系网络模型的检测准确率绝对值提升