一种基于原型近邻网络的小样本图像分类方法及设备

本发明公开了一种基于原型近邻网络的小样本图像分类方法及设备。首先将数据集划分为辅助数据集和目标数据集，再将两个数据集划分为支持集和查询集，通过神经网络对样本进行特征提取以获取高维特征。然后计算原型网络和K近邻的置信度和分类结果，通过置信度及分类结果确定查询样本的所属类别。然后计算原型网络和K近邻的损失，结合该损失优化特征提取网络参数以提高分类性能。最后利用训练好的模型进行图像分类。本发明解决了原型网络从少量标注数据中得出的原型缺乏代表性，且单峰原型假设无法捕捉复杂类别分布的问题，通过原型网络和K‑近邻算法互补性学习更优化的度量空间，在复杂数据分布下仍能仅通过少量支持样本有效地对样本进行分类。