局部特征融合的小样本分类

目的 小样本学习是一项具有挑战性的任务，旨在利用有限数量的标注样本数据对新的类别数据进行分类。基于度量的元学习方法是当前小样本分类的主流方法，但往往仅使用图像的全局特征，且模型分类效果很大程度上依赖于特征提取网络的性能。为了能够充分利用图像的局部特征以及提高模型的泛化能力，提出一种基于局部特征融合的小样本分类方法。方法 首先，将输入图像进行多尺度网格分块处理后送入特征提取网络以获得局部特征；其次，设计了一个基于Transformer架构的局部特征融合模块来得到包含全局信息的局部增强特征，以提高模型的泛化能力；最后，以欧几里得距离为度量，计算查询集样本特征向量与支持集类原型之间的距离，实现分类。结果 在小样本分类中常用的3个数据集上与当前先进的方法进行比较，在5-way 1-shot和5-way 5-shot的设置下相对次优结果，所提方法在MiniImageNet数据集上的分类精度分别提高了2.96%和2.9%，在CUB（Caltech-UCSD Birds-200-2011）数据集上的分类精度分别提高了3.22%和1.77%，而在TieredImageNet数据集上的分类精度与最优结果相当，实验结果表明了所提方法的有效性。结论 提出的小样本分类方法充分利用了图像的局部特征，同时改善了模型的特征提取能力和泛化能力，使小样本分类结果更为准确。

Local feature fusion network-based few-shot image classification