基于深度网络的快速少样本学习算法

摘要：

少样本学习方法模拟人类从少量样本中学习的认知过程,已成为机器学习研究领域的热点.针对目前少样本学习迭代过程的任务量较大、过拟合现象严重等问题,文中提出基于深度网络的快速少样本学习算法.首先,利用核密度估计和图像滤波方法向训练集加入多种类型的随机噪声,生成支持集和查询集.再利用原型网络提取支持集和查询集图像特征,并根据Bregman散度,以每类支持集支持样本的中心点作为类原型.然后,使用L2范数度量支持集与查询图像的距离,利用交叉熵反馈损失,生成多个异构的基分类器.最后,采用投票机制融合基分类器的非线性分类结果.实验表明,文中算法能加快少样本学习收敛速度,分类准确率较高,鲁棒性较强.

关键词：深度网络;少样本学习;Bregman散度;度量学习

所属期刊栏目：34

分类号：TP391.4(计算技术、计算机技术)

资助基金：国家自然科学基金项目;中央高校基本科研业务费科技创新项目

在线出版日期：2021-11-17（万方平台首次上网日期，不代表论文的发表时间）

页数：共16页

页码：941-956