一种去除数据集噪声并生成具有代表性特征的小样本学习方法

本发明公开了一种去除数据集噪声并生成具有代表性特征的小样本学习方法，属于计算机图像分类领域，其步骤如下：利用复合距离从衡量离类别中心距离，类内离散程度，是否贴合类别标签的角度出发对数据集内样本进行筛选，并根据需要选取top‑k个最具代表性的训练样本，之后使用cVAE依据筛选剩余的具有代表性样本在特征空间内生成距离类别中心更近，更能帮助网络对类别标签进行学习的特征，并最终将基类中剩余样本及新生成的样本相融合作为先验知识，通过原型网络将随机变量的先验概率密度转换为后验概率密度，从而预测查询图像的标签，对小样本图像分类具有重要意义。