本文针对小样本图像分类问题,提出一种基于样本对的元学习(Pairwise-based Meta Learning,PML)方法.利用传递迁移学习对预训练好的Resnet50模型进行微调,得到一个更适应小样本任务的特征编码器,将该特征编码器作为元学习模型的初始特征...本文针对小样本图像分类问题,提出一种基于样本对的元学习(Pairwise-based Meta Learning,PML)方法.利用传递迁移学习对预训练好的Resnet50模型进行微调,得到一个更适应小样本任务的特征编码器,将该特征编码器作为元学习模型的初始特征编码器来训练模型,进一步增强了元学习模型的泛化能力;同时,本文还基于支持集与查询集样本之间的相似性提出元损失函数(Meta Loss,ML),其考虑了特征空间中查询集所有样本的相互关系,以此来缩小正样本类内距离,增加正负样本类间距离,从而提高分类精度.实验结果表明,本文的方法在1-shot、5-shot任务上分别达到了77.65%、89.65%的分类精度,较最新的元学习方法Meta-baseline分别提高7.38%、5.65%.展开更多
文摘本文针对小样本图像分类问题,提出一种基于样本对的元学习(Pairwise-based Meta Learning,PML)方法.利用传递迁移学习对预训练好的Resnet50模型进行微调,得到一个更适应小样本任务的特征编码器,将该特征编码器作为元学习模型的初始特征编码器来训练模型,进一步增强了元学习模型的泛化能力;同时,本文还基于支持集与查询集样本之间的相似性提出元损失函数(Meta Loss,ML),其考虑了特征空间中查询集所有样本的相互关系,以此来缩小正样本类内距离,增加正负样本类间距离,从而提高分类精度.实验结果表明,本文的方法在1-shot、5-shot任务上分别达到了77.65%、89.65%的分类精度,较最新的元学习方法Meta-baseline分别提高7.38%、5.65%.
