多级度量网络的小样本学习

摘要：

小样本学习的分类结果依赖于模型对样本特征的表达能力,为了进一步挖掘图像所表达的语义信息,提出一种多级度量网络的小样本学习方法.将输入图像的特征向量放入嵌入模块进行特征提取;将经过第二层卷积及第三层卷积得到的特征描述子分别进行图像-类的度量以获得图像关系得分,对第四层卷积得到的特征向量进行全连接并将其做图像-图像的度量从而得到图像从属概率;通过交叉验证对2个图像关系得分以及1个图像从属概率进行加权融合并输出分类结果.实验结果表明在miniImageNet数据集上,该方法5-way 1-shot准确率为56.77％,5-way 5-shot准确率为75.83％.在CUB数据集上,该方法5-way 1-shot及5-way 5-shot准确率分别上升到55.34％及76.32％.在Omniglot数据集上准确率同传统方法相比也有一定提升.因此,该方法可有效挖掘图像中所表达的语义信息,显著提高小样本图像分类的准确率.

关键词：小样本学习、度量学习、深度学习、多级度量

所属期刊栏目：59

分类号：TP391.41(计算技术、计算机技术)

资助基金：长江学者;创新团队发展计划

在线出版日期：2023-02-09（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：94-101