公开(公告)号：CN117576471A

公开(公告)日：2024-02-20

申请号：CN202311578391.0

申请日：2023-11-23

Applicant: 南京邮电大学

Inventor： 李平 ,  宋琦 ,  朱祥 ,  柳春波 ,  陈蕾

IPC: G06V10/764 ,  G06V10/774 ,  G06V10/44 ,  G06V10/82 ,  G06N3/0464 ,  G06N3/048

Abstract: 本发明公开了一种引入局部特征对齐和原型修正机制的少样本图像分类方法及装置，该方法包括：1)划分少样本训练数据集，并使用特征提取网络提取图像的局部特征和全局特征；2)通过类内差异性修正和类间差异性修正来实现局部特征对齐，并得到查询图像局部特征和支持类的相似性；3)使用最大均值差异计算全局特征的权重从而对类原型进行修正，并通过距离函数得到查询图像全局特征和支持类原型的全局相似性；4)将全局特征和局部特征结合进行概率输出，并构建损失函数进行模型优化，获得最终的应用于图像分类任务的少样本图像分类模型。本发明提出了少样本图像分类方法，通过结合局部特征和全局特征的方式，实现了更好的图像分类性能。

公开(公告)号：CN115661539A

公开(公告)日：2023-01-31

申请号：CN202211371478.6

申请日：2022-11-03

Applicant: 南京邮电大学

Inventor： 陈蕾 ,  杨振宇 ,  李平 ,  宋琦 ,  柳春波

IPC: G06V10/764 ,  G06V10/774 ,  G06V10/80 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明属于图像识别技术领域，是一种嵌入不确定性信息的少样本图像识别方法，首先划分少样本训练数据集，并使用特征提取网络提取样本中的判别性特征；然后对所提特征进行基于MixUp的数据增强获得扩充样本；进而对扩充样本进行不确定性评估获得每个扩充样本的不确定性；根据原始样本与扩充样本及其不确定性分别构建分类任务与嵌入不确定性信息的辅助任务；随后根据分类任务与辅助任务的损失优化图像识别模型；最后使用优化得到的最优模型进行少样本图像识别。本发明能够有效地在数据稀少的情况下通过MixUp方法扩充样本集，从而取得比传统少样本图像识别方法更精确的识别结果，有效提高了分类模型的可靠性。