-
题名一种多尺度自适应池化的小样本分类方法
- 1
-
-
作者
柳占强
张孙杰
董驰静
刘梓玉
-
机构
上海理工大学光电信息与计算机工程学院
-
出处
《小型微型计算机系统》
北大核心
2025年第7期1692-1698,共7页
-
基金
国家自然科学基金项目(61603255)资助。
-
文摘
通过有限的训练样本训练分类器,小样本学习能够对新的视觉对象进行分类,但普遍存在提取特征信息丢失,判别能力较差等问题.本文基于多尺度克罗内克积关系网络(MsKPRN)模型框架,提出一种新颖的Adaptive Atrous Spatial Pyra-mid Pooling(Adaptive-ASPP)模块.首先,通过对特征信息进行四种不同感受野的扩张,提取不同视野的特征图信息,并利用四种不同膨胀率特征融合方法将不同感受野的信息进行融合,以缓解特征信息丢失的问题.接着,采用微调的通道注意力和空间注意力相结合的方法,专注于通道级别的特征细节信息,以提高特征的判别能力和分类的准确性.最后,利用克罗内克积关系网络生成空间相关图,以更清晰地捕捉特征位置的相关性,从而提高分类的准确性.本文所提出模型在miniImageNet、Stanford Cars、Stanford Dogs、CUB-200数据集上与常见的方法进行比较,相比于MsKPRN模型在1-shot上分别提高0.7%、5.8%、1.1%、10.6%;在5-shot上分别提高0.9%、2.5%、0.7%、9.3%,有效提高关系网络算法在小样本条件下的分类准确性.
-
关键词
小样本学习
多尺度特征
注意力机制
关系网络
-
Keywords
few-shot learning
multi-scale feature
attention mechanism
relational network
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
