Institutional Repository of Coll Comp & Commun
小样本图像分类的注意力全关系网络 | |
李晓旭1; 刘忠源1; 武继杰1; 曹洁1; 马占宇2 | |
2023-02-15 | |
发表期刊 | 计算机学报 |
ISSN | 0254-4164 |
卷号 | 46期号:02页码:371-384 |
摘要 | 传统的基于深度学习的图像分类方法在大样本分类任务中具有较好的分类效果,但在小样本分类任务中却存在较大的挑战,为此,小样本图像分类获得了研究人员的广泛关注.基于度量的方法是解决小样本图像分类的一种简单有效方法,它利用可学习的映射函数将分类任务中的所有样本映射到一个特征空间中,然后基于某种度量标准对查询特征进行分类.由于分类任务中不同类的两个图像有可能包含较多的相似性区域,导致特征空间中某些查询特征与异类的类原型特征的距离较近,较难学习到大的分类边界.为了解决上述问题,本文提出了注意力全关系网络(Total Relation Network with Attention,TRNA),该网络通过计算特征对的全关系和特征对的注意力来实现大边界的特征空间.具体地,在计算出所有的查询特征和类原型后,提出的网络利用特征对全关系拼接操作将特征空间中的任意两个特征在通道方向上进行拼接得到特征对矩阵,然后利用特征对注意力机制将特征对矩阵中不同类间难区分的特征对挑选出来并给予大的权重,最后将特征对矩阵输入卷积网络和全连接网络得到一个相似得分矩阵.实验结果表明本文的方法与关系网络相比,在数据集mini-ImageNet、Stanford-Dogs、Stanford-Cars、CUB-200-2011的1-shot和5-shot分类任务中分别有2.67%和1.71%、8.31%和3.92%、14.99%和8.00%、4.41%和4.42%的性能提升. |
关键词 | 小样本图像分类 基于度量的方法 类原型 注意力机制 大边界学习 |
URL | 查看原文 |
收录类别 | 北大核心 ; EI ; CSCD |
语种 | 中文 |
引用统计 | |
文献类型 | 期刊论文 |
条目标识符 | https://ir.lut.edu.cn/handle/2XXMBERH/161464 |
专题 | 计算机与通信学院 兰州理工大学 |
作者单位 | 1.兰州理工大学计算机与通信学院; 2.北京邮电大学人工智能学院模式识别与智能系统实验室 |
第一作者单位 | 计算机与通信学院 |
第一作者的第一单位 | 计算机与通信学院 |
推荐引用方式 GB/T 7714 | 李晓旭,刘忠源,武继杰,等. 小样本图像分类的注意力全关系网络[J]. 计算机学报,2023,46(02):371-384. |
APA | 李晓旭,刘忠源,武继杰,曹洁,&马占宇.(2023).小样本图像分类的注意力全关系网络.计算机学报,46(02),371-384. |
MLA | 李晓旭,et al."小样本图像分类的注意力全关系网络".计算机学报 46.02(2023):371-384. |
条目包含的文件 | 条目无相关文件。 |
个性服务 |
查看访问统计 |
谷歌学术 |
谷歌学术中相似的文章 |
[李晓旭]的文章 |
[刘忠源]的文章 |
[武继杰]的文章 |
百度学术 |
百度学术中相似的文章 |
[李晓旭]的文章 |
[刘忠源]的文章 |
[武继杰]的文章 |
必应学术 |
必应学术中相似的文章 |
[李晓旭]的文章 |
[刘忠源]的文章 |
[武继杰]的文章 |
相关权益政策 |
暂无数据 |
收藏/分享 |
除非特别说明,本系统中所有内容都受版权保护,并保留所有权利。
修改评论