CN117372782B 一种基于频域分析的小样本图像分类方法 （中国科学技术大学）

本发明公开了一种基于频域分析的小样本像的空间位置信息，又保留了图像的分辨率信2S2、在基类数据集上提取若干个N-way-K-shot元任S3、在新类数据集上提取若干个N-way-K-shot元任所述基类数据集提取的若干个N-way-K-shot元任务用于网络训练，取的若干个N-way-K-shot元任所述S2和S3包括空域和频域两个分支，所述S2和S3包括数据处理、特征提一个所述N-way-K-shot元任务由S=(x,yn)";数据集类别的集合C分为基类数据集Cb和所述频域数据处理包括将图像通过离散余弦变换转换为频将每个通道按块划分为f×f的大小，进行离散余弦变换得到变换后选择影响大的低频通道作为后续特征提取器的输入，按采样比例选取来自Y的低频通3将支持集图像和问询集图像一同输入数据处理器，数据处理器分为空域和将空域形式x1和频域形式x2分别输入到空域提取网络和频域提取网络中，得到空域特将空域特征图F1和频域特征图F2进行加权融合得F=αF1+(1-α)F2；根据分类结果计算交叉熵分类损失或直接输出将高度感知特征图和宽度感知特征图拼接起来送入卷沿着空间维度将拼接后的特征图再拆分成两个张量，分别通过一个卷积层和激活层，将频域通道空间注意力层插入到ResNet的残用初始原型去计算问询集Q中每个样本的分4使用改进原型P,进行原型分类，在训练阶段采用交叉熵损失作5支撑的深度学习模型不同的是，人类在面对新任务时可通过少量数据样本进行快速学习。少量样本中提取丰富信息且具有泛化能力的模型仍是小样本图像分类研究领域的一大热而大部分数据集(如ImageNet)的图像分辨率通常远大于卷积神经网络模型(如ResNet)的量进行计算，但是以均值代表一个通道过于简单，难以捕捉输入的复杂性。一些方法如CANet通过在通道注意力中嵌入位置信息来同时捕获空间上的长程依赖。但是其在通道方析的小样本图像分类方法是本领域技术人员亟需6新类数据集提取的若干个N-way-K-shot元任务[0020]S=(x,y)";[0022]Q=(x,y)";[0029]将每个通道按块划分为f×f的大小，进行离散余弦变换得到变换后的图像特征[0030]选择影响大的低频通道作为后续特征提取器的输入，按采样比例选取来自Y的低7[0035]将支持集图像和问询集图像一同输入数据处理器，数据[0036]将空域形式x1和频域形式x2分别输入到空域提取网络和频域提[0042]可选的，所述空域特征提取器以ResNet为骨干网络并加所述频域特征提取器以对输入层稍作修改的ResNe[0047]y:(i,)=x:(i,)xg:(0xg"():8[0058](1)本发明不同于先前的方法局限于在空间上对图像进行预处理，可以同时在训[0059](2)本发明模型使用两个特征提取器分别提取空域和频域特征，将提取的特征融[0062]图2为本发明提出的一种基于频域分析的小样本图像分类方法中频域数据处理的[0063]图3为本发明提出的一种基于频域分析的小样本图像分类方法中频域通道空间注[0064]图4为本发明提出的一种基于频域分析的小样本图像分类方法中离散余弦变换池类数据集提取的若干个N-way-K-shot元任9czcn=;[0081]S=(x,y)";[0083]Q=(x,y3)";[0086]构建基类数据集和新类数据集，二者无交集，并从基类数据集中构建1200个从新类数据集中随机抽取600个元任务(5-way1-shot或是5-way5-shot)[0094]将每个通道按块划分为f×f的大小，进行离散余弦变换得到变换后的图像特征[0098]其中Simg表示图像边长，如224，可以通过调整DCT滤波器大小来控制输入图像大[0100]将支持集图像和问询集图像一同输入数据处理器，数据[0101]将空域形式x1和频域形式x2分别输入到空域提取网络和频域提[0107]本实施方式中，空域特征提取器以ResNet为骨干网络并加入频域通道空间注意步长为2的卷积层与一个最大值池化层，然后调整下一层的输入通道大小为频域输入通道[0113]y:(i,)=x:(i,)xg:(0xg"();[0117]因此本发明提出频域通道空间注意力使用离散余弦变换代替平均池化操作对通发明