技术摘要：
本发明涉及一种基于图学习的小样本图像识别方法及系统，所述图像识别方法包括：获取源域样本图像数据集；以各样本图像作为节点，建立无向带权图；基于特征生成模型提取各样本图像的基础特征向量；对各节点之间执行信息的传递和聚合，得到优化特征向量；基于优化特征向  全部
背景技术：
图像识别技术广泛应用于视频监控、工业检测、航空航天等诸多领域，极大提高了 相关行业的生产效率和质量。通常来说，图像识别模型需要大量带标签的样本进行训练才 能达到理想的性能。然而，在某些现实的任务场景中，样本的数量非常少，同时样本的类别 非常多，例如人脸识别、医疗影像分析等任务，导致传统的依赖大规模训练数据的深度模型 无法发挥作用。 现有的基于迁移学习的小样本识别方法往往缺少适用于特定小样本任务场景的 距离函数建模，仅仅采用简单的非参距离函数进行类别预测，例如欧氏距离或者余弦距离。 同时，这些方法也缺少类内样本的关系挖掘，无法在样本匮乏的场景下充分挖掘标注样本 与测试样本在特征空间的语义关系，导致识别准确率较低。
技术实现要素：
为了解决现有技术中的上述问题，即为了提高小样本场景下的图像识别的准确 率，本发明的目的在于提供一种基于图学习的小样本图像识别方法及系统。 为解决上述技术问题，本发明提供了如下方案： 一种基于图学习的小样本图像识别方法，所述图像识别方法包括： 获取源域样本图像数据集，所述源域样本图像数据集包括多个带有标签的源样本 图像； 根据所述源域样本图像数据集，建立基于深度卷积神经网络的特征生成模型； 获取目标域样本图像数据集，所述目标域样本图像数据集包括多个带有标签的目 标样本图像； 利用基于深度卷积神经网络的特征生成模型，提取各目标样本图像的基础特征向 量； 以各样本图像作为节点，根据各目标样本图像的基础特征向量，建立无向带权图； 根据所述无向带权图及基础特征向量，建立基于图神经网络的特征优化模型； 根据图神经网络的特征优化模型，对各节点之间执行信息的传递和聚合，得到优 化特征向量； 根据所述优化特征向量，建立基于非线性回归网络的特征距离函数； 基于所述基础特征向量、优化特征向量和特征距离函数，建立图像识别模型，所述 图像识别模型用于确定两图像之间的距离； 根据所述优化特征向量，建立对比损失函数； 基于目标域样本图像数据集，采用随机梯度下降方法优化所述图像识别模型的参 6 CN 111598167 A 说　明　书 2/11 页 数直到对比损失函数收敛，以确定面向小样本图像的识别模型； 根据所述面向小样本图像的识别模型，确定所述待测样本图像的所属类别。 可选地，根据以下公式，确定基于深度卷积神经网络的特征生成模型： X＝Φ(x)； 其中，Φ表示深度卷积神经网络，x表示输入的目标样本图像，X表示输出的基础特 征向量。 可选地，所述以各目标样本图像作为节点，根据各目标样本图像的基础特征向量， 建立无向带权图，具体包括： 根据以下公式，确定所述邻接矩阵中的各元素： 其中，Ai，j表示图中的节点i与节点j之间的距离， 表示节点i的基础特征向 量， 表示节点j的基础特征向量， 表示距离函数；Ai，j为图像Graph的邻接矩阵A中的 元素； 根据所述邻接矩阵A，建立无向带权图G： G＝(V,E)； 其中，E表示节点之间的边权，是可学习的参数，V表示图像Graph的节点集合。 可选地，根据以下公式，建立基于图神经网络的特征优化模型： 其中，A表示图的邻接矩阵，I表示单位矩阵， 表示 的度矩阵，θ(k)表示图神经 网络第k层的参数矩阵，X(k)表示图神经网络第k层的所有节点，ρ表示激活函数； 所述特征优化模型为X(k 1)＝ρ(LK(k)θ(k))； 其中，X(0)表示基础特征向量，X(k)，k＞0表示优化特征向量。 可选地，根据以下公式，确定基于非线性回归网络的特征距离函数： 其中，k为图神经网络的层数序号，k＞0， 表示节点i的优化特征向量， 表示节点j的优化特征向量， 表示优化特征向量 与优化特征向量 的距离函数，θ表示可学习参数，NonLinear  Regθ(·)表示带有可学习参数θ的非线性 回归函数，abs(·)表示绝对值函数。 可选地，根据以下公式，建立对比损失函数： 7 CN 111598167 A 说　明　书 3/11 页 其中，L表示对比损失值，N表示节点数量，i、j表示节点序号，k为图神经网络的层 数序号，k＞0，d表示优化特征向量 与优化特征向量 的欧氏距离，||.||2表示L2范 数，y表示图像类别是否匹配的标签，y＝1代表两幅图像属于一个类别，y＝0代表两幅图像 不属于一个类别，margin表示预设的阈值。 可选地，根据以下公式，确定所述待测样本图像的所属类别： y*＝csign(argmax(fΘ(x*,X′)))； 其中，y*表示所述类别，x*表示未知标签的测试图像样本，X′表示目标域样本图像 数据集，fΘ(·)表示面向小样本图像的识别模型，arg  max(·)表示获取与测试样本图像距 离最近的标注样本图像，csign(·)表示获取标注样本图像的所属类别。 可选地，所述图像识别方法还包括： 根据所述图像识别模型更新所述无向带权图的边权。 为解决上述技术问题，本发明提供了如下方案： 一种基于图学习的小样本图像识别系统，所述图像识别系统包括： 获取单元，用于获取源域样本图像数据集及目标域样本图像数据集；所述源域样 本图像数据集包括多个带有标签的源样本图像，所述目标域样本图像数据集包括有多个带 有标签的目标样本图像； 基础模型建立单元，用于根据所述源域样本图像数据集，建立基于深度卷积神经 网络的特征生成模型； 提取单元，用于利用基于深度卷积神经网络的特征生成模型，提取各目标样本图 像的基础特征向量； 无向带权图建立单元，用于以各样本图像作为节点，根据各目标样本图像的基础 特征向量，建立无向带权图； 优化模型建立单元，用于根据所述无向带权图及基础特征向量，建立基于图神经 网络的特征优化模型； 确定单元，用于根据图神经网络的特征优化模型，对各节点之间执行信息的传递 和聚合，得到优化特征向量； 距离函数建立单元，用于根据所述优化特征向量，建立基于非线性回归网络的特 征距离函数； 识别模型建立单元，用于基于所述基础特征向量、优化特征向量和特征距离函数， 建立图像识别模型，所述图像识别模型用于确定两图像之间的距离； 损失函数建立单元，用于根据所述优化特征向量，建立对比损失函数； 优化单元，用于基于目标域样本图像数据集，采用随机梯度下降方法优化所述图 像识别模型的参数直到对比损失函数收敛，以确定面向小样本图像的识别模型； 8 CN 111598167 A 说　明　书 4/11 页 识别单元，用于根据所述面向小样本图像的识别模型，确定所述待测样本图像的 所属类别。 为解决上述技术问题，本发明提供了如下方案： 一种基于图学习的小样本图像识别系统，包括： 处理器；以及 被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处 理器执行以下操作： 获取源域样本图像数据集，所述源域样本图像数据集包括多个带有标签的源样本 图像； 根据所述源域样本图像数据集，建立基于深度卷积神经网络的特征生成模型； 获取目标域样本图像数据集，所述目标域样本图像数据集包括有多个带有标签的 目标样本图像； 利用基于深度卷积神经网络的特征生成模型，提取各目标样本图像的基础特征向 量； 以各目标样本图像作为节点，根据各目标样本图像的基础特征向量，建立无向带 权图； 根据所述无向带权图及基础特征向量，建立基于图神经网络的特征优化模型； 根据图神经网络的特征优化模型，对各节点之间执行信息的传递和聚合，得到优 化特征向量； 根据所述优化特征向量，建立基于非线性回归网络的特征距离函数； 基于所述基础特征向量、优化特征向量和特征距离函数，建立图像识别模型，所述 图像识别模型用于确定两图像之间的距离； 根据优化特征向量，建立对比损失函数； 基于目标域样本图像数据集，采用随机梯度下降方法优化所述图像识别模型的参 数直到对比损失函数收敛，以确定面向小样本图像的识别模型； 根据所述面向小样本图像的识别模型，确定所述待测样本图像的所属类别。 为解决上述技术问题，本发明提供了如下方案： 一种计算机可读存储介质，所述计算机可读存储介质存储一个或多个程序，所述 一个或多个程序当被包括多个应用程序的电子设备执行时，使得所述电子设备执行以下操 作： 获取源域样本图像数据集，所述源域样本图像数据集包括多个带有标签的源样本 图像； 根据所述源域样本图像数据集，建立基于深度卷积神经网络的特征生成模型； 获取目标域样本图像数据集，所述目标域样本图像数据集包括有多个带有标签的 目标样本图像； 利用基于深度卷积神经网络的特征生成模型，提取各目标样本图像的基础特征向 量； 以各目标样本图像作为节点，根据各目标样本图像的基础特征向量，建立无向带 权图； 9 CN 111598167 A 说　明　书 5/11 页 根据所述无向带权图及基础特征向量，建立基于图神经网络的特征优化模型； 根据图神经网络的特征优化模型，对各节点之间执行信息的传递和聚合，得到优 化特征向量； 根据优化特征向量，建立基于非线性回归网络的特征距离函数； 基于所述基础特征向量、优化特征向量和特征距离函数，建立图像识别模型，所述 图像识别模型用于确定两图像之间的距离； 根据优化特征向量，建立对比损失函数； 基于目标域样本图像数据集，采用随机梯度下降方法优化所述图像识别模型的参 数直到对比损失函数收敛，以确定面向小样本图像的识别模型； 根据所述面向小样本图像的识别模型，确定所述待测样本图像的所属类别。 根据本发明的实施例，本发明公开了以下技术效果： 本发明通过以大量的源域样本图像数据集为预训练样本，生成特征生成模型，提 取目标域样本图像数据集的基础特征向量，并以目标样本图像作为节点构建无向带权图， 建立建立图像识别模型，并利用目标域样本图像数据集，对所述图像识别模型进行微调，可 有效解决缺少预先设定任务场景的度量建模以及缺少类内样本的关系挖掘问题，使得学习 出来的识别模型在小样本场景下可以放大异类样本的类间差异，缩小同类样本的类内差 异，极大提升了小样本识别的准确率。 附图说明 图1是本发明基于图学习的小样本图像识别方法的流程图； 图2是本发明基于图学习的小样本图像识别方法的一实施例示意图； 图3是基于图学习的小样本图像识别模型的训练流程图； 图4是本发明基于图学习的小样本图像识别系统的模块结构示意图。 符号说明： 获取单元—1，基础模型建立单元—2，提取单元—3，无向带权图建立单元—4，优 化模型建立单元—5，确定单元—6，距离函数建立单元—7，识别模型建立单元—8，损失函 数建立单元—9，优化单元—10，识别单元—11。