CN117372782B 一種基于頻域分析的小樣本圖像分類方法 （中國科學技術大學）

本發明公開了一種基于頻域分析的小樣本像的空間位置信息，又保留了圖像的分辨率信2S2、在基類數據集上提取若干個N-way-K-shot元任S3、在新類數據集上提取若干個N-way-K-shot元任所述基類數據集提取的若干個N-way-K-shot元任務用于網絡訓練，取的若干個N-way-K-shot元任所述S2和S3包括空域和頻域兩個分支，所述S2和S3包括數據處理、特征提一個所述N-way-K-shot元任務由S=(x,yn)";數據集類別的集合C分為基類數據集Cb和所述頻域數據處理包括將圖像通過離散余弦變換轉換為頻將每個通道按塊劃分為f×f的大小，進行離散余弦變換得到變換后選擇影響大的低頻通道作為后續特征提取器的輸入，按采樣比例選取來自Y的低頻通3將支持集圖像和問詢集圖像一同輸入數據處理器，數據處理器分為空域和將空域形式x1和頻域形式x2分別輸入到空域提取網絡和頻域提取網絡中，得到空域特將空域特征圖F1和頻域特征圖F2進行加權融合得F=αF1+(1-α)F2；根據分類結果計算交叉熵分類損失或直接輸出將高度感知特征圖和寬度感知特征圖拼接起來送入卷沿著空間維度將拼接后的特征圖再拆分成兩個張量，分別通過一個卷積層和激活層，將頻域通道空間注意力層插入到ResNet的殘用初始原型去計算問詢集Q中每個樣本的分4使用改進原型P,進行原型分類，在訓練階段采用交叉熵損失作5支撐的深度學習模型不同的是，人類在面對新任務時可通過少量數據樣本進行快速學習。少量樣本中提取豐富信息且具有泛化能力的模型仍是小樣本圖像分類研究領域的一大熱而大部分數據集(如ImageNet)的圖像分辨率通常遠大于卷積神經網絡模型(如ResNet)的量進行計算，但是以均值代表一個通道過于簡單，難以捕捉輸入的復雜性。一些方法如CANet通過在通道注意力中嵌入位置信息來同時捕獲空間上的長程依賴。但是其在通道方析的小樣本圖像分類方法是本領域技術人員亟需6新類數據集提取的若干個N-way-K-shot元任務[0020]S=(x,y)";[0022]Q=(x,y)";[0029]將每個通道按塊劃分為f×f的大小，進行離散余弦變換得到變換后的圖像特征[0030]選擇影響大的低頻通道作為后續特征提取器的輸入，按采樣比例選取來自Y的低7[0035]將支持集圖像和問詢集圖像一同輸入數據處理器，數據[0036]將空域形式x1和頻域形式x2分別輸入到空域提取網絡和頻域提[0042]可選的，所述空域特征提取器以ResNet為骨干網絡并加所述頻域特征提取器以對輸入層稍作修改的ResNe[0047]y:(i,)=x:(i,)xg:(0xg"():8[0058](1)本發明不同于先前的方法局限于在空間上對圖像進行預處理，可以同時在訓[0059](2)本發明模型使用兩個特征提取器分別提取空域和頻域特征，將提取的特征融[0062]圖2為本發明提出的一種基于頻域分析的小樣本圖像分類方法中頻域數據處理的[0063]圖3為本發明提出的一種基于頻域分析的小樣本圖像分類方法中頻域通道空間注[0064]圖4為本發明提出的一種基于頻域分析的小樣本圖像分類方法中離散余弦變換池類數據集提取的若干個N-way-K-shot元任9czcn=;[0081]S=(x,y)";[0083]Q=(x,y3)";[0086]構建基類數據集和新類數據集，二者無交集，并從基類數據集中構建1200個從新類數據集中隨機抽取600個元任務(5-way1-shot或是5-way5-shot)[0094]將每個通道按塊劃分為f×f的大小，進行離散余弦變換得到變換后的圖像特征[0098]其中Simg表示圖像邊長，如224，可以通過調整DCT濾波器大小來控制輸入圖像大[0100]將支持集圖像和問詢集圖像一同輸入數據處理器，數據[0101]將空域形式x1和頻域形式x2分別輸入到空域提取網絡和頻域提[0107]本實施方式中，空域特征提取器以ResNet為骨干網絡并加入頻域通道空間注意步長為2的卷積層與一個最大值池化層，然后調整下一層的輸入通道大小為頻域輸入通道[0113]y:(i,)=x:(i,)xg:(0xg"();[0117]因此本發明提出頻域通道空間注意力使用離散余弦變換代替平均池化操作對通發明