CN110516526A - 一种基于特征原型度量学习的小样本目标识别方法 - Google Patents

一种基于特征原型度量学习的小样本目标识别方法 Download PDF

Info

Publication number
CN110516526A
CN110516526A CN201910594561.1A CN201910594561A CN110516526A CN 110516526 A CN110516526 A CN 110516526A CN 201910594561 A CN201910594561 A CN 201910594561A CN 110516526 A CN110516526 A CN 110516526A
Authority
CN
China
Prior art keywords
feature
prototype
extraction
collection
image
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201910594561.1A
Other languages
English (en)
Inventor
陈华杰
吴栋
侯新雨
韦玉潭
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hangzhou Dianzi University
Original Assignee
Hangzhou Dianzi University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Hangzhou Dianzi University filed Critical Hangzhou Dianzi University
Priority to CN201910594561.1A priority Critical patent/CN110516526A/zh
Publication of CN110516526A publication Critical patent/CN110516526A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/13—Satellite images

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Astronomy & Astrophysics (AREA)
  • Remote Sensing (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于特征原型度量学习的小样本目标识别方法，该方法在原有关系网络的基础上，先对训练集、测试集与支持集进行特征提取，再将特征提取后的支持集数据进行特征原型提取，而后使用训练后的关系网络与特征原型对测试集数据进行分类，本发明的关键在于将支持集图像的高维特征向量通过计算均值进行原型提取，用提取后的特征原型与测试集特征通过关系网络进行度量计算，通过减少计算量减少测试时间。

Description

一种基于特征原型度量学习的小样本目标识别方法
技术领域
本发明属于深度学习领域，涉及一种基于特征原型度量学习的小样本目标识别方法。
背景技术
小样本学习是机器学习领域近年的研究重点，其中度量学习，即相似度学习，是对样本间距离分布进行建模，使得同类样本靠近，异类样本远离。目前效果较好的度量学习中，关系网络使用神经网络通过训练学习度量替换人工设计的度量方式，对新类别小样本数据有更好的拓展性。
针对小样本目标识别问题，关系网络的度量学习方法虽有效，但在测试过程中需要将测试集图像与支持集图像特征一一进行度量计算，导致计算过程繁复，测试时间较长。
发明内容
本发明针对现有技术的不足，提供了一种基于特征原型度量学习的小样本目标识别方法，该方法通过将遥感舰船支持集图像的高维特征向量按类进行原型提取，使用提取后的类特征向量与测试集图像高维特征向量通过神经网络进行度量学习，通过减少计算量减少测试时间。
步骤(1)、对训练集、支持集与测试集图像进行特征提取，获得高维特征向量。
使用四层卷积神经网络对训练集、支持集与测试集图像提取特征，具体的，每个卷积层包含一个64位滤波器与3×3卷积核，批量归一化和ReLU非线性层。前两个卷积层还包含一个2×2的最大池化层，而后两个卷积层不包含。
步骤(2)、对支持集图像进行特征原型提取。
假设支持集有从a到n的N个类别,其中每个xi∈RD是每个样本经特征提取后得到的高维特征向量，yi∈{1,...,k}是各类别相对应样本标签，则每类样本数表示为：
S＝{(x1,y1),...,(xN,yN)} (1)
则SK为K类样本标签集样本数，特征原型计算方法如下：
其中fφ(·)表示特征提取函数,Q表示支持集图像；
步骤(3)、使用提取到的训练集图像特征对关系网络进行训练。
步骤(4)、将支持集提取后的特征原型与测试集特征通过训练后的
关系网络进行对比计算并分类。
本发明的有益效果如下：本发明的关键在于将支持集图像的高维特征向量通过计算均值进行原型提取，用提取后的特征原型与测试集特征通过关系网络进行度量计算，通过减少计算量减少测试时间。
附图说明
图1为本发明的流程图。
具体实施方式
下面结合具体实施例对本发明做进一步的分析。
本实验将一组采集的舰船目标图像作为训练与测试的样本数据集。在基于特征原型度量学习的小样本目标识别任务中的具体步骤如下：
步骤(1)、对训练集、支持集与测试集图像进行特征提取，获得高维特征向量。
使用四层卷积神经网络对训练集、支持集与测试集图像提取特征，具体的，每个卷积层包含一个64位滤波器与3×3卷积核，批量归一化和ReLU非线性层。前两个卷积层还包含一个2×2的最大池化层，而后两个卷积层不包含。
步骤(2)、对支持集图像进行特征原型提取。
假设支持集有从a到n的N个类别,其中每个xi∈RD是每个样本经特征提取后得到的高维特征向量，yi∈{1,...,k}是各类别相对应样本标签，则每类样本数表示为：
S＝{(x1,y1),...,(xN,yN)} (1)
则SK为K类样本标签集样本数，类支持向量计算公式如下：
其中fφ(·)表示特征提取函数,Q表示支持集图像；
步骤(3)、使用提取到的训练集图像特征对关系网络进行训练。
步骤(4)、将支持集提取后的原型特征与测试集特征通过训练后的
关系网络进行对比计算并分类。
上述实施例并非是对于本发明的限制，本发明并非仅限于上述实施例，只要符合本发明要求，均属于本发明的保护范围。

Claims (1)

1.一种基于特征原型度量学习的小样本目标识别方法，其特征在于：该方法具体包括以下步骤：
步骤(1)、对训练集、支持集与测试集图像进行特征提取，获得高维特征向量；
使用四层卷积神经网络对训练集、支持集与测试集图像提取特征，具体的，每个卷积层包含一个64位滤波器与3×3卷积核，批量归一化和ReLU非线性层；前两个卷积层都还包含一个2×2的最大池化层，而后两个卷积层不包含；
步骤(2)、对支持集图像进行特征原型提取
假设支持集有从a到n的N个类别,其中每个xi∈RD是每个样本经特征提取后得到的高维特征向量，yi∈{1,...,k}是各类别相对应样本标签，则每类样本数表示为：
S＝{(x1,y1),...,(xN,yN)} (1)
则SK为K类样本标签集样本数，特征原型计算方法如下：
其中fφ(·)表示特征提取函数,Q表示支持集图像；
步骤(3)、使用提取到的训练集图像特征对关系网络进行训练；
步骤(4)、将支持集提取后的特征原型与测试集特征通过训练后的关系网络进行对比计算并分类。
CN201910594561.1A 2019-07-03 2019-07-03 一种基于特征原型度量学习的小样本目标识别方法 Pending CN110516526A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910594561.1A CN110516526A (zh) 2019-07-03 2019-07-03 一种基于特征原型度量学习的小样本目标识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910594561.1A CN110516526A (zh) 2019-07-03 2019-07-03 一种基于特征原型度量学习的小样本目标识别方法

Publications (1)

Publication Number Publication Date
CN110516526A true CN110516526A (zh) 2019-11-29

Family

ID=68623570

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910594561.1A Pending CN110516526A (zh) 2019-07-03 2019-07-03 一种基于特征原型度量学习的小样本目标识别方法

Country Status (1)

Country Link
CN (1) CN110516526A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111431863A (zh) * 2020-02-28 2020-07-17 电子科技大学 基于关系网络的主机入侵检测方法
CN111931668A (zh) * 2020-08-14 2020-11-13 中国科学院重庆绿色智能技术研究院 一种基于自适应卷积神经网络的目标属性识别方法及系统
CN112200211A (zh) * 2020-07-17 2021-01-08 南京农业大学 一种基于残差网络和迁移学习的小样本鱼识别方法及系统
CN114417931A (zh) * 2022-01-21 2022-04-29 石家庄铁道大学 一种基于原型网络的轴承故障诊断方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110126158A1 (en) * 2009-11-23 2011-05-26 University Of Washington Systems and methods for implementing pixel-based reverse engineering of interface structure
CN106485096A (zh) * 2016-10-20 2017-03-08 中南大学 基于双向随机游走和多标签学习的miRNA‑环境因子关系预测方法
CN106845421A (zh) * 2017-01-22 2017-06-13 北京飞搜科技有限公司 基于多区域特征与度量学习的人脸特征识别方法及系统
CN109597757A (zh) * 2018-11-07 2019-04-09 北京航空航天大学 一种基于多维时间序列熵的软件网络间相似度的度量方法
CN109685135A (zh) * 2018-12-21 2019-04-26 电子科技大学 一种基于改进型度量学习的少样本图像分类方法
CN109871892A (zh) * 2019-02-18 2019-06-11 华南理工大学 一种基于小样本度量学习的机器人视觉认知系统

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110126158A1 (en) * 2009-11-23 2011-05-26 University Of Washington Systems and methods for implementing pixel-based reverse engineering of interface structure
CN106485096A (zh) * 2016-10-20 2017-03-08 中南大学 基于双向随机游走和多标签学习的miRNA‑环境因子关系预测方法
CN106845421A (zh) * 2017-01-22 2017-06-13 北京飞搜科技有限公司 基于多区域特征与度量学习的人脸特征识别方法及系统
CN109597757A (zh) * 2018-11-07 2019-04-09 北京航空航天大学 一种基于多维时间序列熵的软件网络间相似度的度量方法
CN109685135A (zh) * 2018-12-21 2019-04-26 电子科技大学 一种基于改进型度量学习的少样本图像分类方法
CN109871892A (zh) * 2019-02-18 2019-06-11 华南理工大学 一种基于小样本度量学习的机器人视觉认知系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
JAKE SNELL等: "Prototypical Networks for Few-shot Learning", 《ADVANCES IN NEURAL INFORMATION PROCESSING SYSTEMS》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111431863A (zh) * 2020-02-28 2020-07-17 电子科技大学 基于关系网络的主机入侵检测方法
CN112200211A (zh) * 2020-07-17 2021-01-08 南京农业大学 一种基于残差网络和迁移学习的小样本鱼识别方法及系统
CN112200211B (zh) * 2020-07-17 2024-04-05 南京农业大学 一种基于残差网络和迁移学习的小样本鱼识别方法及系统
CN111931668A (zh) * 2020-08-14 2020-11-13 中国科学院重庆绿色智能技术研究院 一种基于自适应卷积神经网络的目标属性识别方法及系统
CN114417931A (zh) * 2022-01-21 2022-04-29 石家庄铁道大学 一种基于原型网络的轴承故障诊断方法

Similar Documents

Publication Publication Date Title
CN110516526A (zh) 一种基于特征原型度量学习的小样本目标识别方法
CN108960140B (zh) 基于多区域特征提取和融合的行人再识别方法
CN105095856B (zh) 基于掩模的有遮挡人脸识别方法
CN110348399B (zh) 基于原型学习机制和多维残差网络的高光谱智能分类方法
CN109063649B (zh) 基于孪生行人对齐残差网络的行人重识别方法
CN108614997B (zh) 一种基于改进AlexNet的遥感图像识别方法
CN107451565B (zh) 一种半监督小样本深度学习图像模式分类识别方法
CN110097060B (zh) 一种面向树干图像的开集识别方法
CN109344856B (zh) 一种基于多层判别式特征学习的脱机签名鉴别方法
CN106991355A (zh) 基于拓扑保持的解析型字典学习模型的人脸识别方法
CN110942091A (zh) 寻找可靠的异常数据中心的半监督少样本图像分类方法
CN109871892A (zh) 一种基于小样本度量学习的机器人视觉认知系统
CN110414587A (zh) 基于渐进学习的深度卷积神经网络训练方法与系统
CN109472733A (zh) 基于卷积神经网络的图像隐写分析方法
CN105868711B (zh) 一种基于稀疏低秩的人体行为识别方法
CN105631469A (zh) 一种多层稀疏编码特征的鸟类图像识别方法
CN112733627A (zh) 一种基于融合局部与全局特征网络的指静脉识别方法
CN105654122A (zh) 基于核函数匹配的空间金字塔物体识别方法
CN103903017B (zh) 一种基于自适应软直方图局部二值模式的人脸识别方法
CN110490133A (zh) 一种基于生成对抗网络由父母照片生成子女照片的方法
CN111127407B (zh) 一种基于傅里叶变换的风格迁移伪造图像检测装置及方法
CN112263224A (zh) 一种基于fpga边缘计算的医学信息处理方法
CN109063766B (zh) 一种基于判别性预测稀疏分解模型的图像分类方法
CN111144280A (zh) 一种监控视频树叶遮挡检测方法
CN113887509B (zh) 一种基于图像集合的快速多模态视频人脸识别方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20191129

RJ01 Rejection of invention patent application after publication