面向小样本学习的双重度量孪生神经网络

摘要：

为了解决孪生神经网络因使用图像级特征度量,存在对位置、复杂背景及类内差异比较敏感的问题,提出了 一种双重度量孪生神经网络(DM-SiameseNet).具体来说,DM-SiameseNet使用图像级的特征和局部特征(局部描述符)共同表示每幅图像,然后根据两种不同级别的相似度度量学习特征映射,最后使用 自适应融合策略,自适应整合两种不同级别特征表示的度量结果.实验结果表明,改进后模型的准确率分别提高了 5.04％和9.66％,并且在 miniImageNet、TieredImageNet、Stanford Dogs、Stanford Cars 和 CUB-200 数据集上高于只使用图像级的特征表示或者局部描述符表示的度量方法.实验结果证明所提出的模型不仅考虑了图像的全局特征,还可以捕获图像中更多有效的局部特征信息,提高了模型的泛化能力.

关键词：小样本学习、孪生网络、双重度量、特征提取、局部描述符

所属期刊栏目：40

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61976217

在线出版日期：2023-10-19（万方平台首次上网日期，不代表论文的发表时间）

页数：共5页

页码：2851-2855