CN112270334A - 一种基于异常点暴露的少样本图像分类方法及系统 - Google Patents

一种基于异常点暴露的少样本图像分类方法及系统 Download PDF

Info

Publication number
CN112270334A
CN112270334A CN202010788554.8A CN202010788554A CN112270334A CN 112270334 A CN112270334 A CN 112270334A CN 202010788554 A CN202010788554 A CN 202010788554A CN 112270334 A CN112270334 A CN 112270334A
Authority
CN
China
Prior art keywords
class
classification
image
sample
abnormal
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.)
Granted
Application number
CN202010788554.8A
Other languages
English (en)
Other versions
CN112270334B (zh
Inventor
熊盛武
连洁雅
王豪杰
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.)
Wuhan University of Technology WUT
Original Assignee
Wuhan University of Technology WUT
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 Wuhan University of Technology WUT filed Critical Wuhan University of Technology WUT
Priority to CN202010788554.8A priority Critical patent/CN112270334B/zh
Publication of CN112270334A publication Critical patent/CN112270334A/zh
Application granted granted Critical
Publication of CN112270334B publication Critical patent/CN112270334B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明提供一种基于异常点暴露的少样本图像分类方法及系统，包括为当前分类任务添加辅助的异常图像数据，以支持在少样本图像分类中利用纯粹的无监督异常图像数据优化类原型；通过自适应的学习向量量化方法，利用异常图像数据优化每个类原型，包括为每个类原型找到与其最近的异常点，再利用最近的异常点自适应优化类原型；测试查询集中的待分类图像样本得到分类损失，根据分类损失和异常点暴露损失优化特征嵌入网络和自适应参数产生网络，得到更准确的少样本图像分类模型，实现更精确的图像分类。本发明在引入很少的异常图像数据的情况下，保证分类性能可获得提升，为少样本图像分类提供了新的技术方案。

Description

一种基于异常点暴露的少样本图像分类方法及系统
技术领域
本发明涉及深度学习与图像分类，具体涉及一种基于异常点暴露的少样本图像分类方案。
背景技术
深度学习在各个领域都取得了显著的成绩，比如计算机视觉，机器翻译，语音建模等任务。训练深层神经网络需要使用大量有标签数据进行迭代训练才能实现效果，数据量过少时网络则会遭遇过拟合问题。但是人工标记数据是耗时耗力且昂贵的。相比之下，人类可以从很少的几个样例中学会识别一个新的类别。因此近年来少样本学习受到了很大的关注，它旨在从少量有标记训练数据中实现快速学习和泛化。少样本图像分类作为少样本学习的主要分支，它的目标是在每个类只提供单个或几个训练样本时学习一个分类器以识别查询样本的类别。
目前很多解决少样本图像分类的方法都受到了原型网络的影响。原型网络的目标是学习一个度量空间，在这个空间里可以通过计算查询数据的表示和类原型之间的距离对查询数据进行分类。其中类原型是每个类别的训练数据的表示的均值。原型网络成功的原因之一是它使用的无参的最近邻分类器可以减轻过拟合问题。
此外，也有少样本图像分类方法利用了无标签图像数据。他们考虑了两种情况，一种是所有的数据都来自于与训练集相同的类别集，另一种是更具挑战性的情况，存在一部分无标签图像数据来自于干扰类别(与训练集不同的类别)。他们为每个无监督数据预测了标签，再利用这些无监督数据优化类别原型。当无监督数据中包含来自干扰类别的数据时，他们会尽量识别出这些干扰数据以减少他们对类别原型产生的影响。但是，人们不仅可以从一般的无监督数据中获取信息，也可以从完全来自干扰类别的无监督数据中获取信息以更好的学习一个新的概念。但是，现有技术未出现相应解决方案。
发明内容
本发明公开了一种基于异常点暴露的少样本图像分类方案，在少样本图像分类中利用纯粹的无监督异常图像数据提升分类器性能。
本发明提供一种基于异常点暴露的少样本图像分类方法，包括以下步骤，
步骤1，为当前分类任务添加辅助的异常图像数据，以支持在少样本图像分类中利用纯粹的无监督异常图像数据优化类原型；
步骤2，通过自适应的学习向量量化方法，利用异常图像数据优化每个类原型，包括为每个类原型找到与其最近的异常点，再利用最近的异常点自适应优化类原型；
步骤3，测试查询集中的待分类图像样本得到分类损失，根据分类损失和异常点暴露损失优化特征嵌入网络和自适应参数产生网络，得到更准确的少样本图像分类模型，实现更精确的图像分类。
而且，步骤1中，设一个少样本图像分类任务包含训练集
Figure BDA0002622940650000021
和查询集
Figure BDA0002622940650000022
其中∪表示并集；
Figure BDA0002622940650000023
其中，Dtrain包括K×N张图像样本，K表示图像类别的数量，N表示每类图像样本的数量，Sc指第c类训练图像，xi为Sc中的图像，yi为标签，i的取值为1,2,…N，c的取值为1,2,…K；Dquery中包含K×Nq张图像，每类图像均包含Nq张待分类图像样本，Qc指第c类查询图像，qj为Qc中的图像，yj为标签，j的取值为1,2,…Nq，c的取值为1,2,…K；
在通用的度量空间上计算当前分类任务的各类原型如下，
Figure BDA0002622940650000024
其中，pc表示当前分类任务的训练集Dtrain的第c类样本的原型，Sc表示Dtrain中第c类样本的集合，f()为特征提取器；
使用各类样本原型的特征表示与查询集Dquery中样本的特征表示计算两者间的欧氏距离，以此对查询集Dquery中的样本进行分类，对待分类样本q计算如下，
Figure BDA0002622940650000025
其中，p(y＝c|q)表示样本q属于第c类的概率，函数d(f(q),pc)表示计算q的特征表示f(q)与第c类原型pc之间的欧氏距离，c′是不同于c的某个类别，函数d(f(q),pc′)表示计算q的特征表示f(q)与第c′类原型pc′之间的欧氏距离，y指标签；exp()为指数函数。
在原型网络的基础上，为每个少样本图像分类任务中添加无标签异常图像数据，记为
Figure BDA0002622940650000026
则无监督异常集Doutlier共包含M张图片
Figure BDA0002622940650000027
而且，步骤2中，进行以下子步骤，
步骤2.1，提取一个类原型，寻找与当前类原型pc最近的异常数据
Figure BDA0002622940650000028
步骤2.2，将pc和
Figure BDA0002622940650000031
输入到自适应参数产生网络h中，得到自适应参数
Figure BDA0002622940650000032
h是一个多层感知机网络；
步骤2.3，利用最近的异常数据和自适应的优化参数优化类原型如下，
计算优化后结果
Figure BDA0002622940650000033
实现优化类原型；
步骤2.4，判断是否遍历完所有的类原型，是则进入步骤3，否则返回步骤2.1取下一类原型进行优化。
而且，步骤3中，
通过添加以下异常点暴露约束，使每个异常点在当前任务类别空间的分布接近于均匀分布以进一步优化特征嵌入网络f和自适应参数产生网络h的学习，
Figure BDA0002622940650000034
其中，LOE表示异常点暴露损失，log表示对数函数，
Figure BDA0002622940650000035
表示图片
Figure BDA0002622940650000036
属于第c类的概率，
Figure BDA0002622940650000037
用于表示第t张无标签异常图像，t＝1,2,…M；
最终的损失函数为查询数据的分类损失与步骤3中的异常点暴露损失LOE的加权和，如下式，
Figure BDA0002622940650000038
其中，L是最终的损失，γ为权重系数；p(y＝c|qj)表示图像qj属于第c类的概率。
而且，在每个少样本图像分类任务中提供5个无监督异常图像数据。
本发明还相应提供一种基于异常点暴露的少样本图像分类系统，用于实现如上所述的一种基于异常点暴露的少样本图像分类方法。
而且，包括以下模块，
第一模块，用于为当前分类任务添加辅助的异常图像数据，以支持在少样本图像分类中利用纯粹的无监督异常图像数据优化类原型；
第二模块，用于通过自适应的学习向量量化方法，利用异常图像数据优化每个类原型，包括为每个类原型找到与其最近的异常点，再利用最近的异常点自适应优化类原型；
第三模块，用于测试查询集中的待分类图像样本得到分类损失，根据分类损失和异常点暴露损失优化特征嵌入网络和自适应参数产生网络，得到更准确的少样本图像分类模型，实现更精确的图像分类。
或者，包括处理器和存储器，存储器用于存储程序指令，处理器用于调用处理器中的存储指令执行如上所述的一种基于异常点暴露的少样本图像分类方法。
或者，包括可读存储介质，所述可读存储介质上存储有计算机程序，所述计算机程序执行时，实现如上所述的一种基于异常点暴露的少样本图像分类方法。
本发明提出以下创新：
1)首次提出在少样本图像分类中利用纯粹的无监督异常图像数据。
2)提出通过自适应的学习向量量化方法利用无监督异常图像数据优化类原型：本发明利用自适应的学习向量量化方法，为每个类原型找到与其最近的异常点，再利用该异常点自适应的优化类原型。
3)同时，提出增加异常点暴露约束进一步优化特征嵌入网络的学习：本发明通过添加异常点暴露约束，使每个异常点在当前任务类别空间的分布接近于均匀分布以进一步优化特征嵌入网络的学习。
因此，本发明在引入很少的异常图像数据的情况下，分类性能即可获得提升，为少样本图像分类任务提供了新的技术方案，具有重要的实用价值。
附图说明
图1为本发明实施例的方法流程图；
图2为本发明实施例分类任务构成示意图；
图3为本发明实施例学习向量量化机制的结构示意图；
图4为本发明实施例学习向量量化机制的效果示意图；
图5为本发明实施例是否加入自适应的学习向量量化机制和异常点暴露约束的准确率对比图；
图6为本发明实施例引入不同数量的无监督异常图像的准确率对比图。
具体实施方式
下面将结合附图和实施例对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
如图1，实施例首先为当前分类任务添加辅助的异常图像数据，然后利用异常图像数据优化每个类原型，最后利用优化的类原型对查询数据进行分类。
本发明实施例提供的一种基于异常点暴露的少样本图像分类方法，包括以下步骤：
步骤1)为当前分类任务添加辅助的异常图像数据：本发明提出在少样本图像分类中利用纯粹的无监督异常图像数据优化类原型，因此首先添加辅助的异常图像数据。
设一个少样本图像分类任务包含训练集
Figure BDA0002622940650000051
和查询集
Figure BDA0002622940650000052
其中∪表示并集。
Figure BDA0002622940650000053
Dtrain包括K×N张图像样本，K表示图像类别的数量，N表示每类图像样本的数量。Sc指第c类训练图像，其中xi为Sc中的图像，yi为标签，i的取值为1,2,…N，c的取值为1,2,…K。Dquery中包含K×Nq张图像，每类图像均包含Nq张待分类图像样本。Qc指第c类查询图像，其中qj为Qc中的图像，yj为标签，j的取值为1,2,…Nq，c的取值为1,2,…K。Dtrain和Dquery交集为空。
本发明在原型网络的基础上利用无标签异常数据，添加异常点暴露损失。原型网络利用元学习的思想，构建了很多个少样本分类任务，同时在这些少样本分类任务上学习了一个通用的度量空间，在这个空间上计算当前分类任务的各类原型：
Figure BDA0002622940650000054
上述公式中，pc表示当前分类任务的训练集Dtrain的第c类样本的原型，Sc表示Dtrain中第c类样本的集合，即第c类训练图像；f()为特征提取器，与度量空间相应，具体实施时f()的具体结构可参考现有技术，实施例参考“Prototypical Networks for Few-shotLearning”，xi为图像，即表示第i张图像的原始数据，f(xi)即为第i张图像的特征表示；
使用上述各类样本原型的特征表示与查询集Dquery中样本的特征表示计算两者间的欧氏距离，以此对查询集Dquery中的样本进行分类，以待分类样本q为例：
Figure BDA0002622940650000055
其中，p(y＝c|q)表示样本q属于第c类的概率，函数d(f(q),pc)表示计算q的特征表示f(q)与第c类原型pc之间的欧氏距离，是c′是不同于c的某个类别，函数d(f(q),pc′)表示计算q的特征表示f(q)与第c′类原型pc′之间的欧氏距离，y指标签；exp()为指数函数。
如图2，本发明在原型网络的基础上为每个少样本图像分类任务中添加无标签异常图像数据(来自于不同于训练集的类别)，记为
Figure BDA0002622940650000061
即无监督异常集Doutlier共包含M张图片
Figure BDA0002622940650000062
图中，1-5表示类别标签，？表示无标签。
步骤2)利用异常图像数据优化每个类原型。
本步骤通过自适应的学习向量量化方法，为每个类原型找到与其最近的异常点，再利用该异常点自适应的优化类原型，以实现更好的分类效果。
如图3，实施例通过自适应的学习向量量化机制(LVQ)优化类原型，具体步骤如下。
步骤2.1，提取一个类原型，寻找与当前类原型最近的异常数据。
实施例为每个原型pc寻找与其最近的异常数据
Figure BDA0002622940650000063
t是与当前原型最近的异常数据的下标。
步骤2.2，产生自适应的优化参数。
将pc和
Figure BDA0002622940650000064
输入到自适应参数产生网络h中，得到自适应参数
Figure BDA0002622940650000065
h是一个多层感知机网络，输入层的维度等于pc的维度加
Figure BDA0002622940650000066
的维度，中间层为全连接层，输出层是一个sigmoid激活层，输出维度为一维。
步骤2.3，利用最近的异常数据和自适应的优化参数优化类原型。
通过令
Figure BDA0002622940650000067
然后更新pc，令pc＝p′c实现优化类原型。
如图4为原型优化的效果示意图，(a)图中包含各个类原型pi、pj、pk和一个查询数据q，在当前状态下查询数据不能被正确分类。(b)图表示实施例在当前分类任务中添加了一些无监督异常图像数据
Figure BDA0002622940650000068
(c)图表示，实施例为每个类原型查找与其最近的异常图像数据，并利用该异常数据优化类原型，相应自适应参数为ηi、ηj、ηk。通过学习向量量化机制，实施例的类原型由(a)图所示变为(d)图所示，包括优化后的类原型p′i、p′j、p′k，此时查询数据可以被正确分类。
步骤2.4，判断是否遍历完所有的类原型，是则进入步骤3，否则返回步骤2.1取下一类原型进行优化。
步骤3)测试查询集Dquery中的待分类图像样本，得到分类损失。该分类损失和之后提出的异常点暴露损失一起用来优化特征嵌入网络f和自适应参数产生网络h。特征嵌入网络f即特征提取器f()。
本步骤添加异常点暴露约束，使每个异常点在当前任务类别空间的分布接近于均匀分布以进一步优化特征嵌入网络的学习。
实施例中，通过添加异常点暴露约束，使每个异常点在当前任务类别空间的分布接近于均匀分布以进一步优化特征嵌入网络f和自适应参数产生网络h的学习。
Figure BDA0002622940650000071
其中，LOE表示异常点暴露损失，log表示对数函数，
Figure BDA0002622940650000072
表示图片
Figure BDA0002622940650000073
属于第c类的概率，
Figure BDA0002622940650000074
用于表示第t张无标签异常图像，t＝1,2,…M。
最终的损失函数为查询数据的分类损失与步骤3中的异常点暴露损失LOE的加权和为权重系数，取值范围：
Figure BDA0002622940650000075
其中，L是最终的损失，为权重系数，取值范围(0,1)，实施例采用的优选取值为0.2；p(y＝c|qj)表示图像qj属于第c类的概率。
使用反向传播算法更新特征嵌入网络f和自适应参数产生网络h的参数。
如图5所示，实施例的异常点暴露约束和自适应学习向量量化机制都能提高分类准确率。其中，ProtoNet是原型网络，Loe是异常点暴露损失，Loe+LVQ是异常点暴露损失+学习向量量化。
如图6所示，在每个少样本图像分类任务中提供5个无监督异常图像数据就可以起到提升分类准确率的效果，具体实施时可以按此优选方案提供无监督异常图像数据。
具体实施时，本发明技术方案提出的方法可由本领域技术人员采用计算机软件技术实现自动运行流程，运行方法的系统装置例如存储本发明技术方案相应计算机程序的计算机可读存储介质以及包括运行相应计算机程序的计算机设备，也应当在本发明的保护范围内。
在一些可能的实施例中，提供一种基于异常点暴露的少样本图像分类系统，包括以下模块，
第一模块，用于为当前分类任务添加辅助的异常图像数据，以支持在少样本图像分类中利用纯粹的无监督异常图像数据优化类原型；
第二模块，用于通过自适应的学习向量量化方法，利用异常图像数据优化每个类原型，包括为每个类原型找到与其最近的异常点，再利用最近的异常点自适应优化类原型；
第三模块，用于测试查询集中的待分类图像样本得到分类损失，根据分类损失和异常点暴露损失优化特征嵌入网络和自适应参数产生网络，得到更准确的少样本图像分类模型，实现更精确的图像分类。
在一些可能的实施例中，提供一种基于异常点暴露的少样本图像分类系统，包括处理器和存储器，存储器用于存储程序指令，处理器用于调用处理器中的存储指令执行如上所述的一种基于异常点暴露的少样本图像分类方法。
在一些可能的实施例中，提供一种基于异常点暴露的少样本图像分类系统，包括可读存储介质，所述可读存储介质上存储有计算机程序，所述计算机程序执行时，实现如上所述的一种基于异常点暴露的少样本图像分类方法。
本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。

Claims (9)

1.一种基于异常点暴露的少样本图像分类方法，其特征在于：包括以下步骤，
步骤1，为当前分类任务添加辅助的异常图像数据，以支持在少样本图像分类中利用纯粹的无监督异常图像数据优化类原型；
步骤2，通过自适应的学习向量量化方法，利用异常图像数据优化每个类原型，包括为每个类原型找到与其最近的异常点，再利用最近的异常点自适应优化类原型；
步骤3，测试查询集中的待分类图像样本得到分类损失，根据分类损失和异常点暴露损失优化特征嵌入网络和自适应参数产生网络，得到更准确的少样本图像分类模型，实现更精确的图像分类。
2.根据权利要求1所述基于异常点暴露的少样本图像分类方法，其特征在于：步骤1中，设一个少样本图像分类任务包含训练集
Figure FDA0002622940640000011
和查询集
Figure FDA0002622940640000012
其中∪表示并集；
Sc＝{(x1,y1),(x2,y2),…,(xN,yN)},
Figure FDA0002622940640000013
其中，Dtrain包括K×N张图像样本，K表示图像类别的数量，N表示每类图像样本的数量，Sc指第c类训练图像，xi为Sc中的图像，yi为标签，i的取值为1,2,…N，c的取值为1,2,…K；Dquery中包含K×Nq张图像，每类图像均包含Nq张待分类图像样本，Qc指第c类查询图像，qj为Qc中的图像，yj为标签，j的取值为1,2,…Nq，c的取值为1,2,…K；
在通用的度量空间上计算当前分类任务的各类原型如下，
Figure FDA0002622940640000014
其中，pc表示当前分类任务的训练集Dtrain的第c类样本的原型，Sc表示Dtrain中第c类样本的集合，f()为特征提取器；
使用各类样本原型的特征表示与查询集Dquery中样本的特征表示计算两者间的欧氏距离，以此对查询集Dquery中的样本进行分类，对待分类样本q计算如下，
Figure FDA0002622940640000015
其中，p(y＝c|q)表示样本q属于第c类的概率，函数d(f(q),pc)表示计算q的特征表示f(q)与第c类原型pc之间的欧氏距离，c′是不同于c的某个类别，函数d(f(q),pc′)表示计算q的特征表示f(q)与第c′类原型pc′之间的欧氏距离，y指标签；exp()为指数函数。
在原型网络的基础上，为每个少样本图像分类任务中添加无标签异常图像数据，记为
Figure FDA0002622940640000021
则无监督异常集Doutlier共包含M张图片
Figure FDA0002622940640000022
3.根据权利要求2所述基于异常点暴露的少样本图像分类方法，其特征在于：步骤2中，进行以下子步骤，
步骤2.1，提取一个类原型，寻找与当前类原型pc最近的异常数据
Figure FDA0002622940640000023
步骤2.2，将pc和
Figure FDA0002622940640000024
输入到自适应参数产生网络h中，得到自适应参数
Figure FDA0002622940640000025
h是一个多层感知机网络；
步骤2.3，利用最近的异常数据和自适应的优化参数优化类原型如下，
计算优化后结果
Figure FDA0002622940640000026
实现优化类原型；
步骤2.4，判断是否遍历完所有的类原型，是则进入步骤3，否则返回步骤2.1取下一类原型进行优化。
4.根据权利要求3所述基于异常点暴露的少样本图像分类方法，其特征在于：步骤3中，
通过添加以下异常点暴露约束，使每个异常点在当前任务类别空间的分布接近于均匀分布以进一步优化特征嵌入网络f和自适应参数产生网络h的学习，
Figure FDA0002622940640000027
其中，LOE表示异常点暴露损失，log表示对数函数，
Figure FDA0002622940640000028
表示图片
Figure FDA0002622940640000029
属于第c类的概率，
Figure FDA00026229406400000210
用于表示第t张无标签异常图像，t＝1,2,…M；
最终的损失函数为查询数据的分类损失与步骤3中的异常点暴露损失LOE的加权和，如下式，
Figure FDA00026229406400000211
其中，L是最终的损失，γ为权重系数；p(y＝c|qj)表示图像qj属于第c类的概率。
5.根据权利要求1或2或3或4所述基于异常点暴露的少样本图像分类方法，其特征在于：在每个少样本图像分类任务中提供5个无监督异常图像数据。
6.一种基于异常点暴露的少样本图像分类系统，其特征在于：用于实现如权利要求1-5任一项所述的一种基于异常点暴露的少样本图像分类方法。
7.根据权利要求6所述基于异常点暴露的少样本图像分类系统，其特征在于：包括以下模块，
第一模块，用于为当前分类任务添加辅助的异常图像数据，以支持在少样本图像分类中利用纯粹的无监督异常图像数据优化类原型；
第二模块，用于通过自适应的学习向量量化方法，利用异常图像数据优化每个类原型，包括为每个类原型找到与其最近的异常点，再利用最近的异常点自适应优化类原型；
第三模块，用于测试查询集中的待分类图像样本得到分类损失，根据分类损失和异常点暴露损失优化特征嵌入网络和自适应参数产生网络，得到更准确的少样本图像分类模型，实现更精确的图像分类。
8.根据权利要求6所述基于异常点暴露的少样本图像分类系统，其特征在于：包括处理器和存储器，存储器用于存储程序指令，处理器用于调用处理器中的存储指令执行如权利要求1-5任一项所述的一种基于异常点暴露的少样本图像分类方法。
9.根据权利要求6所述基于异常点暴露的少样本图像分类系统，其特征在于：包括可读存储介质，所述可读存储介质上存储有计算机程序，所述计算机程序执行时，实现如权利要求1-5任一项所述的一种基于异常点暴露的少样本图像分类方法。
CN202010788554.8A 2020-08-07 2020-08-07 一种基于异常点暴露的少样本图像分类方法及系统 Active CN112270334B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010788554.8A CN112270334B (zh) 2020-08-07 2020-08-07 一种基于异常点暴露的少样本图像分类方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010788554.8A CN112270334B (zh) 2020-08-07 2020-08-07 一种基于异常点暴露的少样本图像分类方法及系统

Publications (2)

Publication Number Publication Date
CN112270334A true CN112270334A (zh) 2021-01-26
CN112270334B CN112270334B (zh) 2023-02-03

Family

ID=74349504

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010788554.8A Active CN112270334B (zh) 2020-08-07 2020-08-07 一种基于异常点暴露的少样本图像分类方法及系统

Country Status (1)

Country Link
CN (1) CN112270334B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113569486A (zh) * 2021-07-30 2021-10-29 安徽容知日新科技股份有限公司 一种工业设备的故障检测方法、计算设备及可读存储介质
CN115034286A (zh) * 2022-04-24 2022-09-09 国家计算机网络与信息安全管理中心 一种基于自适应损失函数的异常用户识别方法和装置
WO2024152386A1 (en) * 2023-01-19 2024-07-25 Hong Kong Applied Science and Technology Research Institute Company Limited Anomaly detection with dynamic density estimation

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080095428A1 (en) * 2006-09-05 2008-04-24 Bruker Daltonik Gmbh Method for training of supervised prototype neural gas networks and their use in mass spectrometry
WO2010065940A1 (en) * 2008-12-04 2010-06-10 The Regents Of The University Of California Materials and methods for determining diagnosis and prognosis of prostate cancer
US20170061322A1 (en) * 2015-08-31 2017-03-02 International Business Machines Corporation Automatic generation of training data for anomaly detection using other user's data samples
CN110097094A (zh) * 2019-04-15 2019-08-06 天津大学 一种面向人物交互的多重语义融合少样本分类方法
CN110348399A (zh) * 2019-07-15 2019-10-18 中国人民解放军国防科技大学 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
CN110942091A (zh) * 2019-11-15 2020-03-31 武汉理工大学 寻找可靠的异常数据中心的半监督少样本图像分类方法
CN111046979A (zh) * 2020-03-13 2020-04-21 成都晓多科技有限公司 一种基于小样本学习的badcase发现方法及系统
CN111275255A (zh) * 2020-01-17 2020-06-12 南昌大学 一种混凝土坝变形监测预报模型的构建方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080095428A1 (en) * 2006-09-05 2008-04-24 Bruker Daltonik Gmbh Method for training of supervised prototype neural gas networks and their use in mass spectrometry
WO2010065940A1 (en) * 2008-12-04 2010-06-10 The Regents Of The University Of California Materials and methods for determining diagnosis and prognosis of prostate cancer
US20170061322A1 (en) * 2015-08-31 2017-03-02 International Business Machines Corporation Automatic generation of training data for anomaly detection using other user's data samples
CN110097094A (zh) * 2019-04-15 2019-08-06 天津大学 一种面向人物交互的多重语义融合少样本分类方法
CN110348399A (zh) * 2019-07-15 2019-10-18 中国人民解放军国防科技大学 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
CN110942091A (zh) * 2019-11-15 2020-03-31 武汉理工大学 寻找可靠的异常数据中心的半监督少样本图像分类方法
CN111275255A (zh) * 2020-01-17 2020-06-12 南昌大学 一种混凝土坝变形监测预报模型的构建方法
CN111046979A (zh) * 2020-03-13 2020-04-21 成都晓多科技有限公司 一种基于小样本学习的badcase发现方法及系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
CHRISTIAN SIMON 等: "Adaptive Subspaces for Few-Shot Learning", 《2020 IEEE/CVF CONFERENCE ON COMPUTER VISION AND PATTERN RECOGNITION (CVPR)》 *
JIEYA LIAN 等: "Learning Class Prototypes Via Anisotropic Combination of Aligned Modalities for Few-Shot Learning", 《2020 IEEE INTERNATIONAL CONFERENCE ON MULTIMEDIA AND EXPO (ICME)》 *
田霞: "基于元学习的少样本图像分类方法研究", 《中国优秀硕士学位论文全文数据库 (信息科技辑)》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113569486A (zh) * 2021-07-30 2021-10-29 安徽容知日新科技股份有限公司 一种工业设备的故障检测方法、计算设备及可读存储介质
CN115034286A (zh) * 2022-04-24 2022-09-09 国家计算机网络与信息安全管理中心 一种基于自适应损失函数的异常用户识别方法和装置
WO2024152386A1 (en) * 2023-01-19 2024-07-25 Hong Kong Applied Science and Technology Research Institute Company Limited Anomaly detection with dynamic density estimation

Also Published As

Publication number Publication date
CN112270334B (zh) 2023-02-03

Similar Documents

Publication Publication Date Title
CN112270334B (zh) 一种基于异常点暴露的少样本图像分类方法及系统
WO2018105194A1 (en) Method and system for generating multi-relevant label
CN111914085A (zh) 文本细粒度情感分类方法、系统、装置及存储介质
CN113435509B (zh) 基于元学习的小样本场景分类识别方法及系统
Wang et al. Cost-effective object detection: Active sample mining with switchable selection criteria
CN114332578A (zh) 图像异常检测模型训练方法、图像异常检测方法和装置
CN113987236B (zh) 基于图卷积网络的视觉检索模型的无监督训练方法和装置
JP2022548187A (ja) 対象再識別方法および装置、端末並びに記憶媒体
CN114048295A (zh) 一种用于数据处理的跨模态检索方法及系统
CN115718826A (zh) 图结构数据中的目标节点分类方法、系统、设备及介质
KR20240034804A (ko) 자동 회귀 언어 모델 신경망을 사용하여 출력 시퀀스 평가
WO2020135054A1 (zh) 视频推荐方法、装置、设备及存储介质
CN114266252A (zh) 命名实体识别方法、装置、设备及存储介质
CN113591892A (zh) 一种训练数据的处理方法及装置
CN116630816A (zh) 基于原型对比学习的sar目标识别方法、装置、设备及介质
US20240020531A1 (en) System and Method for Transforming a Trained Artificial Intelligence Model Into a Trustworthy Artificial Intelligence Model
KR20230127509A (ko) 콘셉트 기반의 퓨샷 학습 방법 및 장치
CN114741549A (zh) 基于lire的图像查重方法、装置、计算机设备和存储介质
CN114693997A (zh) 基于迁移学习的图像描述生成方法、装置、设备及介质
Suyal et al. An Agile Review of Machine Learning Technique
CN111914915A (zh) 基于支持向量机的数据分类器集成方法、装置及存储介质
CN117058498B (zh) 分割图评估模型的训练方法、分割图的评估方法及装置
CN114898339B (zh) 驾驶行为预测模型的训练方法、装置、设备、存储介质
CN116912920B (zh) 表情识别方法及装置
CN114298168B (zh) 一种三维点云处理方法及系统

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
GR01 Patent grant
GR01 Patent grant