(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210692889.9 (22)申请日 2022.06.17 (71)申请人 湖南大学 地址 410082 湖南省长 沙市岳麓区麓山 南 路2号 (72)发明人 袁进　黄淑茵　 (74)专利代理 机构 长沙程思专利代理事务所 (普通合伙) 43279 专利代理师 熊海军 (51)Int.Cl. G06V 10/764(2022.01) G06V 10/762(2022.01) G06V 10/74(2022.01) G06V 10/774(2022.01) G06V 10/80(2022.01)G06V 10/82(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种基于聚类的小样本图像分类两阶段元 学习方法 (57)摘要 本发明公开了一种基于聚类的小样本图像 分类两阶段元学习方法， 将聚类与对比学习应用 到小样本图像分类中， 包括以下步骤： 步骤1： 确 定小样本数据集， 对小样本图像数据聚类； 步骤 2： 二阶段元学习网络 结构设计； 步骤3： 损失函数 设计； 步骤4： 将聚类后的图片输入二阶段元学习 网络对比训练； 步骤5： 利用训练好的二阶段模型 对新类图像进行特征提取； 步骤6： 基于多特征计 算图像相似度输出分类结果； 通过将聚类和二阶 段元学习网络对比训练引入小样 本学习， 使 得网 络能更好地提取图像的可区分性特征； 网络结构 上， 增加了共性特征提取网络与个性特征提取网 络， 采用三重损失函数训练， 更细粒度地区分相 似样本， 提升目前小样本图像识别的准确率。 权利要求书2页 说明书5页 附图3页 CN 115170868 A 2022.10.11 CN 115170868 A 1.一种基于聚类的小样本图像分类两阶段元学习方法， 其特征在于， 将聚类与对比学 习应用到小样本图像分类中， 包括以下步骤： 步骤1： 确定小样本数据集， 对小样本图像数据聚类； 步骤2： 二阶段 元学习网络结构设计； 步骤3： 损失函数设计； 步骤4： 将聚类后的图片输入二阶段 元学习网络对比训练； 步骤5： 利用训练好的二阶段模型对新类图像进行 特征提取； 步骤6： 基于多特 征计算图像相似度输出分类结果。 2.根据权利要求1所述一种基于聚类的小样本图像分类两阶段元学习方法， 其特征在 于： 所述步骤1中包含的数据集有： mini ‑Imagenet、 tiered ‑Imagenet以及CUB 200； 对数据集 进行划分， 分为 “基类数据集 ”和“新类数据集 ”， 两个数据集涵盖的类别不重叠； 在样本空间 中， 相似类别的图像特征相对 聚集， 不相似类的图像特征相距较远， 采用K ‑Means聚类算法 对所有图像进行聚类， 区分类别之间的相似度。 3.根据权利要求1所述一种基于聚类的小样本图像分类两阶段元学习方法， 其特征在 于： 步骤2中， 卷积神经网络以Resnet ‑12为主要结构提取图片特征； 在此基础上设计共性特 征网络与个性特征网络， 共性特征网络旨在学习同一聚类内不同类别图像的共性特征， 个 性特征网络旨在学习不同类别图像之 间的可区分性个性特征， 从而得到两组不同类型的特 征， 为细粒度图像分类提供强大的特 征支持。 4.根据权利要求1所述一种基于聚类的小样本图像分类两阶段元学习方法， 其特征在 于： 步骤3中， 所述损失函数包括交叉熵损失函数和三重损失函数； 所述交叉熵损失函数表达式为： 其中， y为期望值标签输出， x为神经网络实际标签输出， n为样本数； 交叉熵损失用于基 础特征提取网络、 共性特征提取网络以及个性特征提取网络末端， 用于确保网络输出 的类 别标签以及聚类标签的正确性； 所述三重损失函数表示 为： Loss2＝max{||f(a)‑f(b)||2‑||f(a)‑f(c)||2+α， 0}， 其中a， b为同一类的图像， 而a， c为同一聚类下不同类别的图像， α 为距离参数用于扩大 两个相似类别之间的特 征距离。 5.根据权利要求1所述一种基于聚类的小样本图像分类两阶段元学习方法， 其特征在 于： 步骤4中， 相比于传统的单阶段 元学习训练模式， 采用双阶段的对比训练方式， 其中： 第一阶段， 包括： 对聚类后的基类数据集小样本图像输入Resnet ‑12基础特征提取网 络， 再经过共性神经网络和个性特征网络得到的相应的共性特征与个性特征， 分别利用分 类器将图像特征映射为分类标签计算损失函数； 其中， Resnet ‑12与共性特征网络部分用的 是交叉熵损失函数， 个性特 征网络用的是交叉熵损失函数和三重损失函数； 第二阶段与第 一阶段在区别在于： 将聚类后的基类数据集小样本图像分为支持集和查 询集， 两者进行对比学习； 融合后的特征利用分类器根据支持集和查询集的余弦相似度计权　利　要　求　书 1/2 页 2 CN 115170868 A 2算交叉熵损失； 二阶段对比训练的方法相 较于单阶段训练， 能够更好地识别图像差异性的 特征； 所述余弦相似度表达式为： 其中f(m)、 f(n)分别为支持集、 查询集样本的特 征向量。 6.根据权利要求1所述一种基于聚类的小样本图像分类两阶段元学习方法， 其特征在 于： 步骤5中， 新类数据集中的支持集和查询集图片输入元学习网络中提取特征， 每一张图 片提取出两种特 征： 共性特 征与个性特 征。 7.根据权利要求6所述一种基于聚类的小样本图像分类两阶段元学习方法， 其特征在 于： 步骤6中， 根据步骤5得到了新类中支持集和查询集图片的共性特征与个性特征， 利用步 骤5中的余弦相似度度量出共性相似度与个性相似度， 综合考虑两者最终输出与待测查询 集图片类别相似度最高的类别标签， 得到图像分类结果。权　利　要　求　书 2/2 页 3 CN 115170868 A 3