概念驱动的小样本判别特征学习方法

摘要：

小样本学习旨在让模型能够在仅有少量标记数据的新类中进行分类.基于度量学习的方法是小样本学习的一种有效方法,该类方法利用有标签的支持集样本构建类表示,再基于查询样本和类表示的相似性进行分类.因此,如何构建判别性更强的类表示是这类方法的关键所在.多数工作在构建类表示时,忽略了类概念相关信息的挖掘,这样容易引入样本中类别无关信息,从而降低类表示的判别性.为此本文提出一种概念驱动的小样本判别特征学习方法.该方法首先利用类别的语义信息来指导模型挖掘样本中类概念相关信息,进而构建更具判别性的类表示.其次,设计了随机掩码混合机制增加样本的多样性和识别难度,进一步提升类表示的质量.最后对处于决策边界附近的查询样本赋予更大的权重,引导模型关注难样本,从而更好地进行类表示学习.大量实验的结果表明本文提出的方法能够有效提升小样本分类任务的准确率,并且在多个数据集上优于当前先进的算法.

关键词：小样本学习、度量学习、类表示学习、判别特征学习、数据增强、图像分类、神经网络、深度学习

所属期刊栏目：18

分类号：TP18(自动化基础理论)

资助基金：北京市自然科学基金资助项目;中央高校基本科研业务费专项资金项目

在线出版日期：2023-03-03（万方平台首次上网日期，不代表论文的发表时间）

页数：共11页

页码：162-172