多尺度特征聚合的小样本学习方法

摘要：

针对大多数小样本学习在特征提取中存在特性信息提取不足、难以准确地提取样本中的重要特征信息以及类内样本多样性可能导致类中心点偏离等问题.提出一种多尺度特征聚合的小样本学习方法(MSFA).具体来说,该方法利用多尺度生成模块生成关于全部训练样本的多种不同尺度的特征信息,使用自注意力聚合不同尺度的重要特征信息,并将不同尺度的重要特征信息进行拼接,以此来实现关于图像更为准确的特征表达.分别计算每个查询集样本与类原型的距离以及与类内各样本间距离的平均值,并以加权方式得出最终距离.在miniImageNet、tiered-ImageNet和Standford Dogs三个数据集上进行大量的实验,实验结果表明:提出的方法可以大幅提升基线方法的分类性能,特别是在miniImageNet数据集上,在5-way 1-shot和5-way 5-shot设置中,相较于Prototypical Network方法,分类准确率分别提升7.42和6.28个百分点.

关键词：小样本学习、特征增强、自注意力机制、多尺度特征融合、图像分类

所属期刊栏目：59

分类号：TP391(计算技术、计算机技术)

资助基金：国家自然科学基金;国家重点研发计划

在线出版日期：2023-08-28（万方平台首次上网日期，不代表论文的发表时间）

页数：共9页

页码：151-159