基于流形混合增强的小样本图像分类算法

摘要：

针对训练样本不足,导致训练模型容易过拟合的问题,提出了一种流形混合增强方法.首先,将经过简单数据增强处理的样本输入网络,在训练过程中,随机选择一个输出特征层;然后,从训练集中随机抽取训练样本,按照混合参数进行不同方式的混合增强处理后,再送入下一个特征层,以此来缓解模型过拟合的问题.最后,针对传统神经网络获取长距离依赖关系困难的问题,融入一种光谱非局部块,使得特征提取网络可以更稳健、灵活地捕获远程依赖关系,以此来优化网络,提高网络性能.实验结果表明,在 CIFAR-FS、CUB200 和 miniImageNet三个数据集及跨域分类上进行 5-way 1-shot任务的平均与基准算法准确率对比,所提算法准确率有较高提升,验证了所提算法的有效性.

关键词：小样本学习、图像分类、数据增强、特征提取、非局部块

所属期刊栏目：55

分类号：TP391.41(计算技术、计算机技术)

资助基金：国家自然科学基金61976028

在线出版日期：2023-08-31（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：17-24