基于多角度学生子注意力网络的小样本学习

摘要：

小样本图像分类的准确性取决于神经网络模型对样本数据提取图像表征的能力,为了挖掘出图像更多的细节信息,提出了 一种基于多角度学生子注意力网络的小样本分类方法.首先将Conv64所提取的特征作为网络的基础特征,其次构建两个学生分支,使网络从图像位置和通道角度来提取图像的细节信息,最后融入互学习思想,促使两个学生子分支相互监督,相互学习,利用两个学生子分支网络分别对小样本任务进行分类.文中在Mini-ImageNet和Tiered-ImageNet两个数据集上验证了多角度学生子注意力网络有效性,在Mini-ImageNet数据集上,该方法5-way 1-shot准确率为 56.54％,5-way 5-shot 准确率为 73.87％.在 Tiered-ImageNet 数据集上,该方法 5-way 1-shot及5-way 5-shot准确率分别上升到59.62％及77.96％.实验结果表明,相较于只使用单一角度的注意力网络,基于多角度学生子注意力能够更加关注图像的全局信息,显著提高了小样本图像分类的准确性.

关键词：小样本学习、互学习、通道注意力、位置注意力、特征提取

所属期刊栏目：42

分类号：TP391(计算技术、计算机技术)

资助基金：南京邮电大学自然科学基金资助项目NY22057

在线出版日期：2022-08-11（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：66-73