原文服务方: 微电子学与计算机       
摘要:
小样本学习任务旨在仅提供少量训练样本的情况下完成对测试样本的正确分类.基于度量学习的小样本学习方法通过将样本映射到嵌入空间中,计算样本间距离得到相似性度量以预测类别,但仅对样本特征进行独立映射,而忽略了对整个任务的观察,同时在小样本场景下通过传统方法计算的原型与期望原型存在偏差,导致在查询集上泛化性较低.针对上述问题,提出了特征关系依赖网络(FRDN).特征关系依赖网络包含两个模块:首先使用关系挖掘模块充分挖掘任务中样本的类内与类间关系,将其作为自注意力值对类簇进行调整,以获得判别性更高的任务自适应嵌入空间,计算初始原型;随后使用偏差抑制模块对初始原型进行校正,得到在查询集上泛化性更高的优化原型,进一步提高模型的分类准确率.在MiniImagenet数据集上,该方法1-shot分类准确率59.17%,5-shot准确率74.11%,分别超过传统度量学习方法6.13%与2.83%;在CUB数据集上分别提升9.3%和2.74%.
推荐文章
基于改进关系网络的小样本学习
小样本学习
关系网络
inception块
感受野块
浮空器主缆绳表面的小样本学习缺陷检测研究
缺陷检测
小样本学习
度量学习
浮空器
基于小样本学习的地面结露结霜现象检测方法
地面气象观测
结露现象检测
结霜现象检测
特征提取
语义描述
图像分类
基于边缘感知和小样本学习的多尺度带钢表面缺陷分割方法
语义分割
表面缺陷检测
小样本学习
特征金字塔注意力
全局注意力上采样模块
内容分析
关键词云
关键词热度
相关文献总数  
(/次)
(/年)
文献信息
篇名 基于特征关系依赖网络的小样本学习方法
来源期刊 微电子学与计算机 学科 工学
关键词 深度学习 小样本学习 度量学习 特征优化 原型调整
年,卷(期) 2023,(9) 所属期刊栏目 人工智能与算法
研究方向 页码范围 11-19
页数 8页 分类号 TP391.4
字数 语种 中文
DOI 10.19304/J.ISSN1000-7180.2021.0177
五维指标
传播情况
(/次)
(/年)
引文网络
引文网络
二级参考文献  (0)
共引文献  (0)
参考文献  (0)
节点文献
引证文献  (0)
同被引文献  (0)
二级引证文献  (0)
2023(0)
  • 参考文献(0)
  • 二级参考文献(0)
  • 引证文献(0)
  • 二级引证文献(0)
研究主题发展历程
节点文献
深度学习
小样本学习
度量学习
特征优化
原型调整
研究起点
研究来源
研究分支
研究去脉
引文网络交叉学科
相关学者/机构
期刊影响力
微电子学与计算机
月刊
1000-7180
61-1123/TN
大16开
1972-01-01
chi
出版文献量(篇)
9826
总下载数(次)
0
总被引数(次)
59060
论文1v1指导