(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211312093.2 (22)申请日 2022.10.25 (71)申请人 杨凌职业 技术学院 地址 712100 陕西省咸阳市杨凌示范区渭 惠路24号 申请人 西安电子科技大 学 (72)发明人 沙丽娜　陈高锋　吴炜　 (74)专利代理 机构 西安嘉思特知识产权代理事 务所(普通 合伙) 6123 0 专利代理师 李薇 (51)Int.Cl. G06T 9/00(2006.01) G06F 16/55(2019.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种基于元学习的云图像集编码方法 (57)摘要 本发明公开了一种基于元学习的云图像集 编码方法， 包括： 将云存储的图像划分为多个类 别； 将每一类别下的图像聚类为多个云图像集； 针对每一类别， 利用该类别下的部分云图像集生 成第一隐变量集合； 利用第一隐变量集合学习部 分云图像集的基本参数和微调参数； 为该类别下 的任一新云图像集生成第二隐变量集合； 将第一 隐变量集合学习到的基本参数和微调参数迁移 给新云图像集， 并基于第二隐变量集合为新云图 像集仅学习相应的微调参数， 得到新云图像集的 基本参数和最终学习到的微调参数， 完成新云图 像集的编码。 本发明无需重新生成全新编码参 数， 只在现有云图像集学习到的基本参数和微调 参数基础上为同一类新云图像集学习微调参数， 因此计算复杂度较低。 权利要求书3页 说明书12页 附图1页 CN 115546326 A 2022.12.30 CN 115546326 A 1.一种基于元 学习的云图像集编码方法， 其特 征在于， 包括： 将云存储的图像划分为多个 类别； 将每一类别下的图像聚类为多个云图像集； 针对每一类别， 利用该类别下的部分 云图像集 生成第一隐变量 集合； 利用所述第一隐变量 集合学习所述部分 云图像集的基本参数和微调参数； 为该类别下的任一 新云图像集 生成第二隐变量 集合； 将所述第一隐变量集合学习到的基本参数和微调参数迁移给所述新云图像集， 并基于 所述第二隐变量集合为所述新云图像集仅学习相应的微调参数， 得到所述新云图像集的基 本参数和最终学习到的微调参数， 完成所述 新云图像集的编码。 2.根据权利要求1所述的基于元学习的云图像集编码方法， 其特征在于， 将云存储的图 像划分为多个 类别时的依据， 包括： 拍摄地点、 天气、 光照和图像内容。 3.根据权利要求1所述的基于元学习的云图像集编码方法， 其特征在于， 所述将每一类 别下的图像聚类为多个云图像集， 包括： 利用近邻传播方法将每一类别下的图像聚类为多个云图像集。 4.根据权利要求1所述的基于元学习的云图像集编码方法， 其特征在于， 所述针对每一 类别， 利用该类别下的部分 云图像集 生成第一隐变量 集合， 包括： 针对每一类别， 将该类别下的部分云图像集利用预设VGG网络分别生成相应图像的卷 积特征作为隐变量， 将所述部分 云图像集得到的所有隐变量构成第一隐变量 集合； 相应的， 所述 为该类别下的任一 新云图像集 生成第二隐变量 集合， 包括： 将该类别下的任一新云图像集利用所述预设VGG网络生成相应图像的卷积特征作为隐 变量， 将所述任一 新云图像集得到的所有隐变量构成第二隐变量 集合。 5.根据权利要求4所述的基于元学习的云图像集编码方法， 其特征在于， 所述预设VGG 网络， 包括： 预设VGG16网络； 其中， 所述预设VGG16网络的架构包括： conv3 ‑64、 conv3 ‑64、 maxpool、 conv3 ‑128、 conv3‑128、 maxp ool、 conv3 ‑256、 conv3 ‑256、 conv3 ‑256、 maxp ool、 conv3 ‑512、 conv3 ‑512、 conv3‑512、 maxpool、 conv3 ‑512、 conv3 ‑512、 conv3 ‑512； 其中， conv3 ‑x表示采用的是3 ×3 的卷积核和x个通道的卷积层， 所述预设VGG16网络 中x＝64、 128、 256、 512， maxpool表示最 大池化。 6.根据权利要求1或5所述的基于元学习的云图像集编码方法， 其特征在于， 所述利用 所述第一隐变量 集合学习所述部分 云图像集的基本参数和微调参数， 包括： 将所述第一 隐变量集合利用预设的调整模块， 通过元学习方式， 学习所述部分云图像 集的基本参数和微调参数； 其中， 所述调整模块由残差网络构成。 7.根据权利要求6所述的基于元学习的云图像集编码方法， 其特征在于， 所述将所述第 一隐变量集合利用预设的调整模块， 通过元学习 方式， 学习 所述部分云图像集的基本参数 和微调参数， 包括： 步骤a1， 针对所述部分云图像集中的每一个云图像集， 将该云图像集按照一定比例划 分为支持集和查询集；权　利　要　求　书 1/3 页 2 CN 115546326 A 2步骤a2， 将所述第一隐变量集合中的隐变量融合后输入所述调整模块， 并进行所述部 分云图像集的迭代参数初始 化； 其中， 初始 化的迭代参数包括： 所述部 分云图像集的数目M、 所述部分云图像集的基本 参数Φ1、 微调参数Φ2、 步长β 、 最大迭代次数N、 最 大循环轮数L， 以 及当前迭代次数n ＝1、 当前循环轮数l ＝1、 当前抽样集 合的序号m＝1； 步骤a3， 从第m个云图像集的支持集中随机抽样K张图像的隐变量Γsu,m； 其中， K＝2k， k 为大于0的自然数； 步骤a4， 根据当前的Φ1和Φ2， 计算损失函数 其中， Isu,m,h是从第m个云图像集的支持集随机抽样得到的K张图像中的第h张图像， 是所述调整模块对Isu,m,h进行处理生成的重构图像； | |·||2表示欧式距离； 步骤a5， 利用第一更新公式 的计算结果更新Φ2； 其中， 表示对Φ2采用梯度下降法； 步骤a6， 对n加一后更新， 并判断当前的n是否大于或等于N； 若是， 执行步骤a7； 否则， 返 回步骤a4； 步骤a7， 从第m个云图像集的查询集中随机抽样K张图像的隐变量Γqu,m； 步骤a8， 根据当前的Φ1和Φ2， 计算损失函数 其中， Iqu,m,h是从第m个云图像集的查询集随机抽样得到的K张图像中的第h张图像， 是所述调整模块对Iqu,m,h进行处理生成的重构图像； 步骤a9， 利用第二更新公式Φ ‑Adam(Ψ(Φ1,Φ2,Γqu,m))的计算结果更新Φ1和Φ2； 其中， Φ＝{Φ1,Φ2}； Adam(·)表示深度学习中常用的自适应距估计优化器； 步骤a10， 对m加一后更新， 并判断当前的m是否大于或等于M； 若是， 执行步骤a11； 否则， 返回步骤a3； 步骤a11， 对l加一后更新， 并判断当前的l是否大于或等于L； 若是， 获得所述第一隐变 量集合学习到的基本参数和微调参数； 否则， 返回步骤a3 。 8.根据权利要求7所述的基于元学习的云图像集编码方法， 其特征在于， 将所述第 一隐 变量集合学习到的基本参数和微调参数迁移给所述新云图像集， 并基于所述第二隐变量集 合为所述新云图像集仅学习相应的微调参数， 得到所述新云图像集的基本参数和最 终学习 到的微调参数， 完成所述 新云图像集的编码， 包括： 将所述第二隐变量集合作为所述调整模块的输入， 将所述第 一隐变量集合学习到的基 本参数和微调参数迁移给所述新云图像集， 通过元学习方式仅学习所述新云图像集的微调 参数， 得到所述新云图像集的基本参数和最终学习到的微调参数， 完成所述新云图像集的 编码。 9.根据权利要求8所述的基于元学习的云图像集编码方法， 其特征在于， 将所述第 二隐 变量集合作为所述调整模块的输入， 将所述第一隐变量集合学习到的基本参数和微调参数权　利　要　求　书 2/3 页 3 CN 115546326 A 3