任务相关的图像小样本深度学习分类方法研究

• 作者: 乔宇 王亚立 陈晨
• 来源期刊: 集成技术
• 学科: 工学
• 关键词: 任务相关 特征嵌入 正则化 度量学习 小样本分类
• 年，卷（期）: 2020,（3）
• 所属期刊栏目: 电子信息
• 页码范围: 15-25
• 页数: 11页
• 分类号: TP399
• 字数: 7941字
• 语种: 中文
• DOI: 10.12146/j.issn.2095-3135.20200402001

摘要

传统基于度量学习的图像小样本分类方法与任务无关,这导致模型对新查询任务的泛化能力较差.针对该问题,该研究提出一种任务相关的图像小样本深度学习方法——可以根据查询任务自适应地调整支持集样本特征,从而有效形成任务相关的度量分类器.同时,该研究通过引入多种正则化方法,解决了数据量严重不足所带来的过拟合问题.基于miniImageNet和tieredImageNet两个常用标准数据集,在特征提取网络相同的前提下,所提出方法在miniImageNe中1-shot上获得了66.05％的准确率,较目前最好的模型提高了4.29％.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	陈晨	中国科学院深圳先进技术研究院	68	446	12.0	18.0
5	乔宇	中国科学院深圳先进技术研究院	9	118	5.0	9.0
6	王亚立	中国科学院深圳先进技术研究院	1	0	0.0	0.0