基于多尺度标签传播的小样本图像分类 |
| |
引用本文: | 汪航,田晟兆,唐青,陈端兵.基于多尺度标签传播的小样本图像分类[J].计算机研究与发展,2022(7):1486-1495. |
| |
作者姓名: | 汪航 田晟兆 唐青 陈端兵 |
| |
作者单位: | 1. 电子科技大学大数据研究中心;2. 中国石油西南油气田分公司通信与信息技术中心;3. 成都数之联科技股份有限公司;4. 四川省社会科学数字文化与传媒重点研究基地 |
| |
基金项目: | 国家自然科学基金项目(61673085)~~; |
| |
摘 要: | 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-wa...
|
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 |
|
|