基于多图特征聚合的小样本学习方法

摘要：

小样本学习可以从较少的样本中学习出各类样本的特征,但是由于低数据的问题,即样本数量较少,如何更加准确地提取图像中的重要特征信息,以及更好地学习图像中目标对象的特征和更精准地判断未标记样本与支持集类别的相似度,成为关键.提出一种基于多图特征聚合的小样本学习方法MGFAN.具体来说,该模型通过多种数据增强方法对原图进行扩充,然后使用一个自注意力模块去获取原图以及不同扩展图之间的重要特征信息,以此获得关于图像更为准确的特征向量.其次,在模型中引入关于预测图像不同扩增方式的自监督学习任务作为辅助任务,促进模型的特征学习能力.最后,采用多个距离函数来更加精准地计算样本间的相似度.在3 个标准数据集miniImageNet,tieredImageNet 和Stanford Dogs 中,使用5-way 1-shot以及5-way 5-shot 实验设置中的实验表明,MGFAN 方法可以显著提高分类器的分类性能.

关键词：小样本学习、深度学习、自监督学习、特征聚合、数据扩增、自注意力

所属期刊栏目：50

分类号：TP391(计算技术、计算机技术)

在线出版日期：2023-09-06（万方平台首次上网日期，不代表论文的发表时间）

页数：共10页

页码：187-196