一种基于图神经网络的小样本图像分类方法

1.一种基于图神经网络的小样本目标检测方法，其特征在于，包括以下步骤：步骤1：输入待分类图像作为查询集图像和少量几张包含目标的图像作为支持集图像；步骤2：通过共享特征提取网络对支持集图像和查询集图像进行特征提取生成特征图，分别生成查询集特征图和支持集特征图；步骤:3：将支持集的特征图送入参数预测网络中对每个类别分别预测一组参数α和β，结合参数α和β对查询集的图像特征图进行加权和偏置计算；步骤4：利用得到的不同类别的支持集特征图和查询集特征图，生成查询集特征图的原型向量和支持集特征图的原型向量，将这些向量作为图的初始化节点构建GNN网络；步骤5：GNN的图节点和边节点迭代更新中，采用融合特征度量模块进行节点相似性的度量，最终输出查询节点的类别概率；步骤3在ResNet12的基础上，设计了的方法的任务适应特征提取模型TAB，TAB模块进行任务适应的关键在于通过预测网络预测一组作用于查询图像特征的参数，预测网络将特征提取网络提取的特征图作为输入，在此基础上设计了轻量级的CNN网络作为参数预测网络，输入是支持图像的特征图，然后分别输出预测的α和β向量参数，参数向量的维度与特征提取网络最后一层卷积层输出的特征图通道数目一致；步骤5中融合特征度量模块为经过两层1×1卷积、批量正则化、Relu激活函数组成的卷积块进一步提取更加非线性的特征，然后与输入节点特征进行通道合并；合并的特征导致通道数的增加，利用1×1的卷积进行有效的降维，降维后的特征经过批量正则化和Relu激活函数后与合并特征进行再一次合并，得到包含多级特征信息的二次合并特征；二次合并特征执行前述相同的降维后通过全连接层得到固定维数的融合特征。 2.如权利要求1所述方法，其特征在于，步骤4提出基于原型的图节点表示，原型的基本思想是基于同类样本的嵌入特征围绕一个原型表示，每个类别的原型用同类样本的嵌入特征均值来进行表示。 3.如权利要求1所述方法，其特征在于，步骤5提出基于特征融合的度量模块，在原有的特征基础上得到更高层语义的特征，设计了度量模块的多层特征融合机制，旨在融合不同层的特征，得到表达能力更强的特征，通过设计特征融合，最终的特征既具有原始节点的特征信息，也具有中间层更加抽象和高级的特征信息，最终通过Sigmoid激活函数输出节点的相似性概率。