-
题名基于多尺度标签传播的小样本图像分类
被引量：8
- 1
-
-
作者
汪航
田晟兆
唐青
陈端兵
-
机构
电子科技大学大数据研究中心
中国石油西南油气田分公司通信与信息技术中心
成都数之联科技股份有限公司
四川省社会科学数字文化与传媒重点研究基地
-
出处
《计算机研究与发展》
EI
CSCD
北大核心
2022年第7期1486-1495,共10页
-
基金
国家自然科学基金项目(61673085)。
-
文摘
在小样本条件下,由于低数据问题,即标记数据较少且难以收集,采用传统的深度学习很难训练出一个好的分类器.最近的研究中,基于低维局部信息度量方法和标签传播网络(transductive propagation network, TPN)算法取得了较好的分类效果,并且局部信息可以很好地度量特征与特征之间的关系,但是低数据问题依然存在.为了解决低数据问题,提出基于多尺度的标签传播网络(multi-scale label propagation network, MSLPN)方法,其核心思想在于利用多尺度生成器生成多个尺度的图像特征,通过关系度量模块获得多个不同尺度特征下的样本相似性得分,并通过集成不同尺度的相似性得分获得分类结果,具体地,方法首先通过多尺度生成器生成不同尺度的图像特征,然后利用多尺度信息的相似性得分进行标签传播,最后通过多尺度标签传播结果计算获得分类结果.与TPN相比,在数据集miniImageNet上,5-way 1-shot和5-way 5-shot设置中的分类准确率分别提高了2.77%和4.02%;在数据集tieredImageNet上,5-way 1-shot和5-way 5-shot设置中分类准确率分别提高了1.16%和1.27%.实验结果表明,利用多尺度特征信息可有效提高分类准确率.
-
关键词
小样本学习
度量学习
多尺度特征
特征增强
标签传播
-
Keywords
few-shot learning(FSL)
metric learning
multi-scale feature
feature fusion
label propagation
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
