基于自注意力孪生网络的野生蛇细粒度分类
野生蛇的分类相较于其他细粒度图像分类更加困难和复杂,这是因为蛇姿势各异、变化急促、常处于运动或盘曲状态,很难根据蛇的局部特征去判断并分类.为了解决这个问题,本文将自注意力机制应用野生蛇细粒度图像分类,从而解决卷积神经网络因层数加深造成的过于专注局部而忽略全局信息问题.通过Swin Transformer(Swin-T)进行迁移学习获得细粒度特征提取模型.为了进一步研究自注意力机制在元学习领域的性能,本文改进特征提取模型搭建孪生网络并构造元学习器对少量样本进行学习和分类.相较于其他方法,本方法减少了元学习在特征提取时所造成的时间和空间开销,提高了元学习分类的准确率和效率并增加了元学习的自主学习性.
自注意力机制、孪生网络、元学习、细粒度分类、野生蛇分类、图像分类、注意力机制
31
TP391.41;TP18;U495
国家自然科学基金;云南省应用基础研究计划重点项目;云南省应用基础研究计划面上项目
2022-08-24（万方平台首次上网日期，不代表论文的发表时间）
共8页
319-326
