CN112801161A - 小样本图像分类方法、装置、电子设备及计算机存储介质 - Google Patents

小样本图像分类方法、装置、电子设备及计算机存储介质 Download PDF

Info

Publication number
CN112801161A
CN112801161A CN202110087516.4A CN202110087516A CN112801161A CN 112801161 A CN112801161 A CN 112801161A CN 202110087516 A CN202110087516 A CN 202110087516A CN 112801161 A CN112801161 A CN 112801161A
Authority
CN
China
Prior art keywords
image
evaluated
sample image
characteristic diagram
sample
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
CN202110087516.4A
Other languages
English (en)
Inventor
李晓欢
刘伟发
姚荣彬
唐欣
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.)
GUILIN GUOCHUANG CHAOYANG INFORMATION TECHNOLOGY CO LTD
Guilin University of Electronic Technology
Original Assignee
GUILIN GUOCHUANG CHAOYANG INFORMATION TECHNOLOGY CO LTD
Guilin University of Electronic Technology
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 GUILIN GUOCHUANG CHAOYANG INFORMATION TECHNOLOGY CO LTD, Guilin University of Electronic Technology filed Critical GUILIN GUOCHUANG CHAOYANG INFORMATION TECHNOLOGY CO LTD
Priority to CN202110087516.4A priority Critical patent/CN112801161A/zh
Publication of CN112801161A publication Critical patent/CN112801161A/zh
Pending legal-status Critical Current

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
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (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)
  • Multimedia (AREA)
  • Image Analysis (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本公开提供了一种小样本图像分类方法、装置、电子设备及计算机存储介质，涉及图像分类技术领域。该方法包括：获取待评估图像和多个样本图像，将所述待评估图像和所述的样本图像输入至预设的特征提取模块，提取所述待评估图像的特征和所述样本图像的特征，采用预设的评估模块评估所述待评估图像的类别。本公开实施例通过提取待评估图像和样本图像的特征，并且样本图像带有该样本图像的标记，该标记用于表示该样本图像的类别，通过待评估图像和样本图像的特征确定待评估图像的类别，进而确定待评估图像的分数，能够自动对图像数据进行评分，提高教学效率，减轻教室工作负担，并且保证评分准确性。

Description

小样本图像分类方法、装置、电子设备及计算机存储介质
技术领域
本公开涉及图像分类技术领域，具体而言，本公开涉及一种小样本图像分类方法、装置、电子设备及计算机存储介质。
背景技术
实践教学是国家实施“素质教育”和高等教育“质量工程”，全面提高教学质量的重要内容，实验教学是培养学生动手能力、创新实践能力和独立思考能力的重要教学手段。响应国家号召，兴建智慧实验室，从而达到更高效教学目的。
目前针对智慧实验室中实验教学过程中产生的图像类型实验数据，如学生进行试验产生的图像类型的数据，通常都是通过传统的人工手段，认为对图像数据进行评估，通过实验室的老师对图像数据进行评估，给学生打分，这样会增加老师的工作量，并且，一旦图像数据过多，老师看图会产生视觉疲劳，导致对图像评估不准确，造成给学生打分不准确的现象，可能会影响学生成绩。
由此可见，现有技术中都是通过老师人工对学生实验中产生的图像数据进行评估，增加老师工作量，并且可能出现评估不准确的情况，需要改进。
发明内容
本公开的目的旨在至少能解决上述的技术缺陷之一，特别是现有技术中都是通过老师人工对学生实验中产生的图像数据进行评估，增加老师工作量，并且可能出现评估不准确的情况的技术缺陷。
第一方面，提供了一种小样本图像分类方法，该方法包括：
获取待评估图像和多个样本图像，其中，每个所述样本图像带有标记，所述标记用于表示所述标记对应的样本图像的类别；
将所述待评估图像和所述的样本图像输入至预设的特征提取模块，提取所述待评估图像的特征和所述样本图像的特征；
基于所述待评估图像的特征和所述样本图像的特征，采用预设的评估模块评估所述待评估图像的类别。
作为本公开一种可能的实施方式，所述将所述待评估图像和所述的样本图像输入至预设的特征提取模块，提取所述待评估图像的特征和所述样本图像的特征包括：
将所述评估图像和所述的样本图像调节至预设的大小，并对调节后的图像进行卷积操作，得到第一特征图；
将所述第一特征图进行池化处理，得到第二特征图；
将所述第二特征图第一次残差处理，得到第三特征图；
将所述第三特征图第二次残差处理，得到第四特征图；
将所述第四特征图第三次残差处理，得到第五特征图；
将所述第五特征图第四次次残差处理，得到目标特征图，基于所述目标特征图提取所述待评估图像和所述样本图像的特征。
作为本公开一种可能实施方式，每次残差处理的过程包括：
将输入图像通过卷积处理得到第一分支输入和第二分支输入；
将第一分支输入经过两次滤波后得到第一分支输出特征图；
将第二分支输入依次经过池化、滤波和上采样后，得到第一中间特征图，并对所述第一中间特征图标准化处理，得到标准特征图；
将所述第二分支输入经过滤波处理后得到第二中间特征图，将所述第二中间特征图与所述标准特征图相乘得到第二分支输出特征图；
将所述第一分支输出特征图和所述第二分支输出特征图结合得到所述残差处理的输出。
作为本公开一种可能的实施方式，所述基于所述目标特征图提取所述待评估图像和所述样本图像的特征，包括：
将所述目标特征图输入至预设的可学习更新的特征转换层，提取所述目标特征图的特征，其中，所述特征转换层设置有跟新后的用于采样仿射变换参数的高斯分布的标准差的超参数。
作为本公开一种可能的实施方式，所述超参数的更新公式如下：
Figure BDA0002911427640000031
其中，
Figure BDA0002911427640000032
为更新后的超参数，
Figure BDA0002911427640000033
为更新前的超参数，α为预设的学习率，Lpu为预设的瞬时函数。
作为本公开一种可能的实施方式，所述基于所述待评估图像的特征和所述样本图像的特征，采用预设的评估模块评估所述待评估图像的类别，包括:
计算所述待评估图像的特征与所述样本图像的特征的相似度；
将所述相似度达到预设阈值的样本图像的类别作为与所述样本图像对应的所述待评估图像的类型。
第二方面，提供了一种小样本图像分类装置，该装置包括：
图像获取模块，用于获取待评估图像和多个样本图像，其中，每个所述样本图像带有标记，所述标记用于表示所述标记对应的样本图像的类别；
特征提取模块，用于将所述待评估图像和所述的样本图像输入至预设的特征提取模块，提取所述待评估图像的特征和所述样本图像的特征；
图像评估模块，用于基于所述待评估图像的特征和所述样本图像的特征，采用预设的评估模块评估所述待评估图像的类别。
第三方面，提供了一种电子设备，该电子设备包括：
处理器、存储器和总线；
所述总线，用于连接所述处理器和所述存储器；
所述存储器，用于存储操作指令；
所述处理器，用于通过调用所述操作指令，执行上述的小样本图像分类方法。
第四方面，提供了一种计算机存储介质，所述存储介质存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现上述的小样本图像分类方法。
本公开实施例通过提取待评估图像和样本图像的特征，并且样本图像带有该样本图像的标记，该标记用于表示该样本图像的类别，通过待评估图像和样本图像的特征确定待评估图像的类别，进而确定待评估图像的分数，能够自动对图像数据进行评分，提高教学效率，减轻教室工作负担，并且保证评分准确性。
附图说明
为了更清楚地说明本公开实施例中的技术方案，下面将对本公开实施例描述中所需要使用的附图作简单地介绍。
图1为本公开实施例提供的一种小样本图像分类方法的流程示意图；
图2为本公开实施例提供的一种小样本图像分类方法的关系结构图；
图3为本公开实施例提供的一种特征提取方法的流程示意图；
图4为本公开实施例提供的一种残差处理方法的流程示意图；
图5为本公开实施例提供的一种残差结构示意图；
图6为本公开实施例提供的一种特征转换成结构示意图；
图7为本公开实施例提供的一种评估方法流程示意图；
图8为本公开实施例提供的一种小样本图像分类装置的结构示意图；
图9为本公开实施例提供的一种电子设备的结构示意图。
结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，原件和元素不一定按照比例绘制。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例，相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。
应当理解，本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行，和/或并行执行。此外，方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。
本文使用的术语“包括”及其变形是开放性包括，即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”；术语“另一实施例”表示“至少一个另外的实施例”；术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。
需要注意，本公开中提及的“第一”、“第二”等概念仅用于对装置、模块或单元进行区分，并非用于限定这些装置、模块或单元一定为不同的装置、模块或单元，也并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。
本公开提供的小样本图像分类方法、装置、电子设备和计算机存储介质，旨在解决现有技术的如上技术问题。
下面以具体地实施例对本公开的技术方案以及本公开的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图，对本公开的实施例进行描述。
本公开实施例中提供了一种小样本图像分类方法，如图1所示，该方法包括：
步骤S101，获取待评估图像和多个样本图像，其中，每个所述样本图像带有标记，所述标记用于表示所述标记对应的样本图像的类别；
步骤S102，将所述待评估图像和所述的样本图像输入至预设的特征提取模块，提取所述待评估图像的特征和所述样本图像的特征；
步骤S103，基于所述待评估图像的特征和所述样本图像的特征，采用预设的评估模块评估所述待评估图像的类别。
本公开实施例提供的数据处理方法主要是对实验室教学中学生进行实验产生的图像数据进行评估，以确定学生实验的分数，能够自动对图像数据进行评分，提高教学效率，减轻教室工作负担，并且保证评分准确性。
在本公开实施例中，待评估图像是指学生在实验中生成的图像数据，如电路实验中产生的波形图、仿真实验中产生的仿真结果图等，样本图像是指和待评估图像相同的实验中，以前学生完成实验的图像，也可以是老师进行多次实验获得的图像，样本图像中都带有标记，其中，该标记用于表示该样本图像的类别，类别是指该样本图像属于哪一个档次的图像，如对于一个实验，对图像评估的结果可以分为5个档次：0-60、60-70、70-80、80-90、90-100等。
在本公开实施例中，提供的小样本图像分类方法的关系网络架构图如图2所示，包括特征提取模块
Figure BDA0002911427640000061
和评估模块gφ，其中特征提取模块
Figure BDA0002911427640000062
用于从带标记的样本图像S和不带标记的待评估图像Q中提取特征，评估模块gφ用于基于该特征评估该待评估图像与带标记的样本图像S和不带标记的待评估图像Q中的某一类匹配，并进行评估，给出打分。
本公开实施例通过提取待评估图像和样本图像的特征，并且样本图像带有该样本图像的标记，该标记用于表示该样本图像的类别，通过待评估图像和样本图像的特征确定待评估图像的类别，进而确定待评估图像的分数，能够自动对图像数据进行评分，提高教学效率，减轻教室工作负担，并且保证评分准确性。
本公开实施例提供了一种可能的实现方式，在该实现方式中，如图3所示，所述将所述待评估图像和所述的样本图像输入至预设的特征提取模块，提取所述待评估图像的特征和所述样本图像的特征，包括：
步骤S301，将所述评估图像和所述的样本图像调节至预设的大小，并对调节后的图像进行卷积操作，得到第一特征图；
步骤S032，将所述第一特征图进行池化处理，得到第二特征图；
步骤S303，将所述第二特征图第一次残差处理，得到第三特征图；
步骤S304，将所述第三特征图第二次残差处理，得到第四特征图；
步骤S305，将所述第四特征图第三次残差处理，得到第五特征图；
步骤S306，将所述第五特征图第四次次残差处理，得到目标特征图，基于所述目标特征图提取所述待评估图像和所述样本图像的特征。
在本公开实施例中，特征提取模块
Figure BDA0002911427640000071
在提取图像特征时，需要先将图像调节至预设的大小，如3*224*224，然后将所有的输入大小为3*224*224的图像经过一个卷积核为7*7、步长为2、通道(C)为64的卷积操作得到输出64*112*112大小的第一特征图，然后将第一特征图经过卷积核为3*3，步长为2的最大池化层得到64*56*56的第二特征图；然后将第二特征图通过第一个残差块后得到64*56*56的第三特征图；然后将第三特征图通过第二个残差块后的到128*28*28的第四特征图；然后将第四特征图通过第三个残差块后得到256*14*14大小的第五特征图；然后将第五特征图通过第四个残差块后得到512*7*7大小的目标特征图，从而得到特征提取模块
Figure BDA0002911427640000072
的输出结果。
本公开实施例通过四个残差块的设置，通过结合区域特征增强和全局特征的方式构建每个空间位置和通道间依赖关系，从而忽略无关信息区域。从而提升网络特征提取能力。
本公开实施例提供了一种可能的实现方式，在该实现方式中，如图4所示，每次残差处理的过程包括：
步骤S401，将输入图像通过卷积处理得到第一分支输入和第二分支输入；
步骤S402，将第一分支输入经过两次滤波后得到第一分支输出特征图；
步骤S403，将第二分支输入依次经过池化、滤波和上采样后，得到第一中间特征图，并对所述第一中间特征图标准化处理，得到标准特征图；
步骤S404，将所述第二分支输入经过滤波处理后得到第二中间特征图，将所述第二中间特征图与所述标准特征图相乘得到第二分支输出特征图；
步骤S405，将所述第一分支输出特征图和所述第二分支输出特征图结合得到所述残差处理的输出。
在本公开实施例中，每个残差块的结构如图5所示，通过结合区域特征增强和全局特征的方式构建每个空间位置和通道间依赖关系，从而忽略无关信息区域。同时嵌入可学习的特征转换层通过仿射变换避免相似类数据过度拟合在嵌入空间某区域，进一步提升模型的分类性能，通过两个卷积核为1*1的卷积将原始输入为C×H×W的X分为C/2×H×W，为别作为两个分支的输入，其中第二分支输入X2输入区域特征增强分支，区域特征增强分支的上支路首先将X2进行池化大小r＝4降采样得到(C/2，(H-4)/4+1，(W-4)/4+1)大小的特征图，然后通过一个卷积核为3*3滤波器Conv2_2进行特征提取后，通过r＝4上采样将特征图的大小恢复为(C/2，H，W)，再通过激活函数sigmoid函数将特征图对应的特征区域映射为权重取值为(0，1)的区间范围。然后与X2经过卷积核为3*3的滤波器Conv2_1后的特征对应相乘，增强其具有辨识性的特征区域，过滤其不主要的特征。而后经过一个卷积核为3*3的滤波器Conv2_3进行处理后得到区域增强支路的特征输出第二分支输出特征图Y1；全局支路通过两个卷积核为3*3的滤波器级联提取图像特征得到第一分支输出特征图Y2。而后将输出通过concat操作将其拼接为C×H×W大小的特征输出Y′。
本公开实施例通过结合区域特征增强和全局特征的方式构建每个空间位置和通道间依赖关系，从而忽略无关信息区域。同时嵌入可学习的特征转换层通过仿射变换避免相似类数据过度拟合在嵌入空间某区域，进一步提升模型的分类性能。
本公开实施例提供了一种可能的实现方式，在该实现方式中，所述基于所述目标特征图提取所述待评估图像和所述样本图像的特征，包括：
将所述目标特征图输入至预设的可学习更新的特征转换层，提取所述目标特征图的特征，其中，所述特征转换层设置有跟新后的用于采样仿射变换参数的高斯分布的标准差的超参数。所述超参数的更新公式如下：
Figure BDA0002911427640000081
其中，
Figure BDA0002911427640000082
为更新后的超参数，
Figure BDA0002911427640000083
为更新前的超参数，α为预设的学习率，Lpu为预设的瞬时函数。
在本公开实施例中，特征提取模块
Figure BDA0002911427640000084
中集成有特征转换层，其结构如图6所示，能够产生更加多样化的特征分布，从而提升评估模块gφ的泛化能力，特征转换层中的超参数θγ∈RC×1×1和θβ∈RC×1×1用于采样仿射变换参数的高斯分布的标准差，在特征提取模块
Figure BDA0002911427640000091
中给定一个维数C×H×W中间激活特征映射图y′，首先对高斯分布的缩放项γ和偏置项β采样，如下式：
γ～N(1，softplus(θγ))，β～N(0，softplus(θβ))
然后计算其调制后的激活图y′：
Y(l)＝γc×Y(l)+βc，Y(l)∈Y，Y′(l)∈Y′
然而，固定的θf＝{θγ,θβ}难以面对多样化设定，故将其设计为可学习的特征转换层。同时为了提高模型的泛化性，在迭代训练第t个epoch中，我们将数据集采样为伪可见域Tps和伪不可见域Tpu，给定特征提取模块
Figure BDA0002911427640000092
和评估模块
Figure BDA00029114276400000910
首先将
Figure BDA0002911427640000093
插入特征提取模块
Figure BDA0002911427640000094
通过下式更新模型参数：
Figure BDA0002911427640000095
式中，α表示学习率，Lcls表示图像的分类损失，
Figure BDA0002911427640000096
的分类损失来验证模型的泛化能力，如下：
Figure BDA0002911427640000097
由于损失Lpu反映了特征转换层的有效性，最后对超参数θf优化更新，如下：
Figure BDA0002911427640000098
最后经过特征转换层得到当前的块输出Y。
其中，x表示带有标签的数据集中的数据，y表示不带标签的数据集中的数据，ps代表伪可见域中的数据，s表示数据集S中的数据，q表示数据集q中的数据。
本公开实施例提供的特征提取模块
Figure BDA0002911427640000099
中集成有特征转换层，能够产生更加多样化的特征分布，从而提升评估模块gφ的泛化能力。
本公开实施例提供了一种可能的实现方式，在该实现方式中，如图7所示，所述基于所述待评估图像的特征和所述样本图像的特征，采用预设的评估模块评估所述待评估图像的类别，包括:
步骤S701，计算所述待评估图像的特征与所述样本图像的特征的相似度；
步骤S702，将所述相似度达到预设阈值的样本图像的类别作为与所述样本图像对应的所述待评估图像的类型。
在本公开实施例中，通过计算所述待评估图像的特征与所述样本图像的特征的相似度，将所述相似度达到预设阈值的样本图像的类别作为与所述样本图像对应的所述待评估图像的类型，能够自动对图像数据进行评分，提高教学效率，减轻教室工作负担，并且保证评分准确性。
本公开实施例通过提取待评估图像和样本图像的特征，并且样本图像带有该样本图像的标记，该标记用于表示该样本图像的类别，通过待评估图像和样本图像的特征确定待评估图像的类别，进而确定待评估图像的分数，能够自动对图像数据进行评分，提高教学效率，减轻教室工作负担，并且保证评分准确性。
本公开实施例提供了一种小样本图像分类装置，如图8所示，该小样本图像分类装置80可以包括：图像获取模块801、特征提取模块802、以及图像评估模块803，其中，
图像获取模块801，用于获取待评估图像和多个样本图像，其中，每个所述样本图像带有标记，所述标记用于表示所述标记对应的样本图像的类别；
特征提取模块802，用于将所述待评估图像和所述的样本图像输入至预设的特征提取模块，提取所述待评估图像的特征和所述样本图像的特征；
图像评估模块803，用于基于所述待评估图像的特征和所述样本图像的特征，采用预设的评估模块评估所述待评估图像的类别。
可选的，特征提取模块802在将所述待评估图像和所述的样本图像输入至预设的特征提取模块，提取所述待评估图像的特征和所述样本图像的特征时，可以用于：
将所述评估图像和所述的样本图像调节至预设的大小，并对调节后的图像进行卷积操作，得到第一特征图；
将所述第一特征图进行池化处理，得到第二特征图；
将所述第二特征图第一次残差处理，得到第三特征图；
将所述第三特征图第二次残差处理，得到第四特征图；
将所述第四特征图第三次残差处理，得到第五特征图；
将所述第五特征图第四次次残差处理，得到目标特征图，基于所述目标特征图提取所述待评估图像和所述样本图像的特征。
可选的，特征提取模块802在每次残差处理时，可以用于：
将输入图像通过卷积处理得到第一分支输入和第二分支输入；
将第一分支输入经过两次滤波后得到第一分支输出特征图；
将第二分支输入依次经过池化、滤波和上采样后，得到第一中间特征图，并对所述第一中间特征图标准化处理，得到标准特征图；
将所述第二分支输入经过滤波处理后得到第二中间特征图，将所述第二中间特征图与所述标准特征图相乘得到第二分支输出特征图；
将所述第一分支输出特征图和所述第二分支输出特征图结合得到所述残差处理的输出。
可选的，特征提取模块802在基于所述目标特征图提取所述待评估图像和所述样本图像的特征时，可以用于：
将所述目标特征图输入至预设的可学习更新的特征转换层，提取所述目标特征图的特征，其中，所述特征转换层设置有跟新后的用于采样仿射变换参数的高斯分布的标准差的超参数。
可选的，所述超参数的更新公式如下：
Figure BDA0002911427640000111
其中，
Figure BDA0002911427640000112
为更新后的超参数，
Figure BDA0002911427640000113
为更新前的超参数，α为预设的学习率，Lpu为预设的瞬时函数。
可选的，图像评估模块803在基于所述待评估图像的特征和所述样本图像的特征，采用预设的评估模块评估所述待评估图像的类别时，可以用于:
计算所述待评估图像的特征与所述样本图像的特征的相似度；
将所述相似度达到预设阈值的样本图像的类别作为与所述样本图像对应的所述待评估图像的类型。
本公开实施例的小样本图像分类装置可执行本公开前述实施例所示的小样本图像分类方法，其实现原理相类似，此处不再赘述。
本公开实施例通过提取待评估图像和样本图像的特征，并且样本图像带有该样本图像的标记，该标记用于表示该样本图像的类别，通过待评估图像和样本图像的特征确定待评估图像的类别，进而确定待评估图像的分数，能够自动对图像数据进行评分，提高教学效率，减轻教室工作负担，并且保证评分准确性。
下面参考图9，其示出了适于用来实现本公开实施例的电子设备900的结构示意图。本公开实施例中的终端设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图9示出的电子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
电子设备包括：存储器以及处理器，其中，这里的处理器可以称为下文所述的处理装置901，存储器可以包括下文中的只读存储器(ROM)902、随机访问存储器(RAM)903以及存储装置908中的至少一项，具体如下所示：
如图9所示，电子设备900可以包括处理装置(例如中央处理器、图形处理器等)901，其可以根据存储在只读存储器(ROM)902中的程序或者从存储装置908加载到随机访问存储器(RAM)903中的程序而执行各种适当的动作和处理。在RAM 903中，还存储有电子设备900操作所需的各种程序和数据。处理装置901、ROM 902以及RAM 903通过总线904彼此相连。输入/输出(I/O)接口905也连接至总线904。
通常，以下装置可以连接至I/O接口905：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置906；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置907；包括例如磁带、硬盘等的存储装置908；以及通信装置909。通信装置909可以允许电子设备900与其他设备进行无线或有线通信以交换数据。虽然图6示出了具有各种装置的电子设备900，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。
特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在非暂态计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置909从网络上被下载和安装，或者从存储装置908被安装，或者从ROM 902被安装。在该计算机程序被处理装置901执行时，执行本公开实施例的方法中限定的上述功能。
需要说明的是，本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机存储介质或者是上述两者的任意组合。计算机存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。
在一些实施方式中，客户端、服务器可以利用诸如HTTP(HyperTextTransferProtocol，超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信(例如，通信网络)互连。通信网络的示例包括局域网(“LAN”)，广域网(“WAN”)，网际网(例如，互联网)以及端对端网络(例如，ad hoc端对端网络)，以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。
上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：获取待评估图像和多个样本图像，其中，每个所述样本图像带有标记，所述标记用于表示所述标记对应的样本图像的类别；将所述待评估图像和所述的样本图像输入至预设的特征提取模块，提取所述待评估图像的特征和所述样本图像的特征；基于所述待评估图像的特征和所述样本图像的特征，采用预设的评估模块评估所述待评估图像的类别。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码，上述程序设计语言包括但不限于面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开实施例中所涉及到的模块或单元可以通过软件的方式实现，也可以通过硬件的方式来实现。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。
在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
应该理解的是，虽然附图的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，其可以以其他的顺序执行。而且，附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，其执行顺序也不必然是依次进行，而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
以上所述仅是本公开的部分实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本公开原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本公开的保护范围。

Claims (9)

1.一种小样本图像分类方法，其特征在于，包括：
获取待评估图像和多个样本图像，其中，每个所述样本图像带有标记，所述标记用于表示所述标记对应的样本图像的类别；
将所述待评估图像和所述的样本图像输入至预设的特征提取模块，提取所述待评估图像的特征和所述样本图像的特征；
基于所述待评估图像的特征和所述样本图像的特征，采用预设的评估模块评估所述待评估图像的类别。
2.根据权利要求1所述的小样本图像分类方法，其特征在于，所述将所述待评估图像和所述的样本图像输入至预设的特征提取模块，提取所述待评估图像的特征和所述样本图像的特征包括：
将所述评估图像和所述的样本图像调节至预设的大小，并对调节后的图像进行卷积操作，得到第一特征图；
将所述特征图进行池化处理，得到第二特征图；
将所述第二特征图第一次残差处理，得到第三特征图；
将所述第三特征图第二次残差处理，得到第四特征图；
将所述第四特征图第三次残差处理，得到第五特征图；
将所述第五特征图第四次次残差处理，得到目标特征图，基于所述目标特征图提取所述待评估图像和所述样本图像的特征。
3.根据权利要求2所述的小样本图像分类方法，其特征在于，每次残差处理的过程包括：
将输入图像通过卷积处理得到第一分支输入和第二分支输入；
将第一分支输入经过两次滤波后得到第一分支输出特征图；
将第二分支输入依次经过池化、滤波和上采样后，得到第一中间特征图，并对所述第一中间特征图标准化处理，得到标准特征图；
将所述第二分支输入经过滤波处理后得到第二中间特征图，将所述第二中间特征图与所述标准特征图相乘得到第二分支输出特征图；
将所述第一分支输出特征图和所述第二分支输出特征图结合得到所述残差处理的输出。
4.根据权利要求1所述的小样本图像分类方法，其特征在于，所述基于所述目标特征图提取所述待评估图像和所述样本图像的特征，包括：
将所述目标特征图输入至预设的可学习更新的特征转换层，提取所述目标特征图的特征，其中，所述特征转换层设置有跟新后的用于采样仿射变换参数的高斯分布的标准差的超参数。
5.根据权利要求4所述的小样本图像分类方法，其特征在于，所述超参数的更新公式如下：
Figure FDA0002911427630000021
其中，
Figure FDA0002911427630000022
为更新后的超参数，
Figure FDA0002911427630000023
为更新前的超参数，α为预设的学习率，Lpu为预设的瞬时函数。
6.根据权利要求1所述的小样本图像分类方法，其特征在于，所述基于所述待评估图像的特征和所述样本图像的特征，采用预设的评估模块评估所述待评估图像的类别，包括:
计算所述待评估图像的特征与所述样本图像的特征的相似度；
将所述相似度达到预设阈值的样本图像的类别作为与所述样本图像对应的所述待评估图像的类型。
7.一种小样本图像分类装置，其特征在于，包括：
图像获取模块，用于获取待评估图像和多个样本图像，其中，每个所述样本图像带有标记，所述标记用于表示所述标记对应的样本图像的类别；
特征提取模块，用于将所述待评估图像和所述的样本图像输入至预设的特征提取模块，提取所述待评估图像的特征和所述样本图像的特征；
图像评估模块，用于基于所述待评估图像的特征和所述样本图像的特征，采用预设的评估模块评估所述待评估图像的类别。
8.一种电子设备，其特征在于，其包括：
处理器、存储器和总线；
所述总线，用于连接所述处理器和所述存储器；
所述存储器，用于存储操作指令；
所述处理器，用于通过调用所述操作指令，执行上述权利要求1～6中任一项所述的小样本图像分类方法。
9.一种计算机存储介质，其特征在于，所述存储介质存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现如权利要求1～6任一所述的小样本图像分类方法。
CN202110087516.4A 2021-01-22 2021-01-22 小样本图像分类方法、装置、电子设备及计算机存储介质 Pending CN112801161A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110087516.4A CN112801161A (zh) 2021-01-22 2021-01-22 小样本图像分类方法、装置、电子设备及计算机存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110087516.4A CN112801161A (zh) 2021-01-22 2021-01-22 小样本图像分类方法、装置、电子设备及计算机存储介质

Publications (1)

Publication Number Publication Date
CN112801161A true CN112801161A (zh) 2021-05-14

Family

ID=75811244

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110087516.4A Pending CN112801161A (zh) 2021-01-22 2021-01-22 小样本图像分类方法、装置、电子设备及计算机存储介质

Country Status (1)

Country Link
CN (1) CN112801161A (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108288027A (zh) * 2017-12-28 2018-07-17 新智数字科技有限公司 一种图像质量的检测方法、装置及设备
CN109360183A (zh) * 2018-08-20 2019-02-19 中国电子进出口有限公司 一种基于卷积神经网络的人脸图像质量评估方法和系统
CN110334715A (zh) * 2019-07-04 2019-10-15 电子科技大学 一种基于残差注意网络的sar目标识别方法
WO2019233244A1 (zh) * 2018-06-08 2019-12-12 腾讯科技（深圳）有限公司 图像处理方法、装置、计算机可读介质及电子设备
CN110751061A (zh) * 2019-09-29 2020-02-04 五邑大学 基于sar网络的sar图像识别方法、装置、设备和存储介质
WO2020151536A1 (zh) * 2019-01-25 2020-07-30 腾讯科技（深圳）有限公司 一种脑部图像分割方法、装置、网络设备和存储介质
CN112084825A (zh) * 2019-06-14 2020-12-15 佛山市顺德区美的电热电器制造有限公司 烹饪评价方法、烹饪推荐方法、计算机设备及存储介质
US20200410273A1 (en) * 2018-08-24 2020-12-31 Tencent Technology (Shenzhen) Company Limited Target detection method and apparatus, computer-readable storage medium, and computer device

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108288027A (zh) * 2017-12-28 2018-07-17 新智数字科技有限公司 一种图像质量的检测方法、装置及设备
WO2019233244A1 (zh) * 2018-06-08 2019-12-12 腾讯科技（深圳）有限公司 图像处理方法、装置、计算机可读介质及电子设备
CN109360183A (zh) * 2018-08-20 2019-02-19 中国电子进出口有限公司 一种基于卷积神经网络的人脸图像质量评估方法和系统
US20200410273A1 (en) * 2018-08-24 2020-12-31 Tencent Technology (Shenzhen) Company Limited Target detection method and apparatus, computer-readable storage medium, and computer device
WO2020151536A1 (zh) * 2019-01-25 2020-07-30 腾讯科技（深圳）有限公司 一种脑部图像分割方法、装置、网络设备和存储介质
CN112084825A (zh) * 2019-06-14 2020-12-15 佛山市顺德区美的电热电器制造有限公司 烹饪评价方法、烹饪推荐方法、计算机设备及存储介质
CN110334715A (zh) * 2019-07-04 2019-10-15 电子科技大学 一种基于残差注意网络的sar目标识别方法
CN110751061A (zh) * 2019-09-29 2020-02-04 五邑大学 基于sar网络的sar图像识别方法、装置、设备和存储介质

Similar Documents

Publication Publication Date Title
US20220129731A1 (en) Method and apparatus for training image recognition model, and method and apparatus for recognizing image
CN110826567B (zh) 光学字符识别方法、装置、设备及存储介质
CN111381909A (zh) 一种页面展示方法、装置、终端设备及存储介质
CN112883968B (zh) 图像字符识别方法、装置、介质及电子设备
CN111666416A (zh) 用于生成语义匹配模型的方法和装置
CN113392197B (zh) 问答推理方法、装置、存储介质及电子设备
CN113468330A (zh) 信息获取方法、装置、设备及介质
CN116894188A (zh) 业务标签集更新方法、装置、介质及电子设备
CN109816670B (zh) 用于生成图像分割模型的方法和装置
WO2023130925A1 (zh) 字体识别方法、装置、可读介质及电子设备
CN112801161A (zh) 小样本图像分类方法、装置、电子设备及计算机存储介质
CN116821327A (zh) 文本数据处理方法、装置、设备、可读存储介质及产品
CN114972876A (zh) 基于知识蒸馏技术的图像处理方法、装置、设备及介质
CN111460214B (zh) 分类模型训练方法、音频分类方法、装置、介质及设备
CN114399696A (zh) 一种目标检测方法、装置、存储介质及电子设备
CN114004229A (zh) 文本识别方法、装置、可读介质及电子设备
CN115546804A (zh) 识别答题卡模板的方法、装置、可读介质及电子设备
CN115700838A (zh) 用于图像识别模型的训练方法及其装置、图像识别方法
CN112804539A (zh) 一种分组信息交互的方法、装置、介质和电子设备
CN113345426B (zh) 一种语音意图识别方法、装置及可读存储介质
CN116246175B (zh) 土地利用信息生成方法、电子设备和计算机可读介质
CN111950572A (zh) 训练分类器的方法、装置、电子设备和计算机可读存储介质
CN117315516B (zh) 基于多尺度注意力相似化蒸馏的无人机检测方法及装置
CN112346630B (zh) 状态确定方法、装置、设备和计算机可读介质
US11748969B2 (en) Image processing method and apparatus

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