类内-类间通道注意力少样本分类 |
| |
引用本文: | 杨利平,张天洋,王宇阳,辜小花.类内-类间通道注意力少样本分类[J].光学精密工程,2023(21):3145-3155. |
| |
作者姓名: | 杨利平 张天洋 王宇阳 辜小花 |
| |
作者单位: | 1. 重庆大学光电技术及系统教育部重点实验室;2. 重庆科技学院电气工程学院 |
| |
基金项目: | 国家重点研发计划课题(No.2022YFF0708001);;重庆市自然科学基金面上项目(No.csts2021jcyj-msxmX0478); |
| |
摘 要: | 针对元学习少样本分类样本特征鉴别能力不足的问题,提出了一种类内-类间通道注意力少样本分类方法(Intrainter Channel Attention Few-shot Classification, ICAFSC)。ICAFSC在原型网络基础上设计了一个类内-类间通道注意力模块,该模块通过类内-类间距离度量计算通道权重实现特征加权,提高特征对类别的鉴别能力。为了克服直接在元训练阶段学习类内-类间通道注意力模块容易出现过拟合或欠拟合现象的问题,ICAFSC在原型网络的元训练之前增加一个预训练阶段。该阶段设计具有大量标记样本的分类任务,并利用这些任务充分训练类内-类间通道注意力模块,促使该模块达到较优的状态。在原型网络的元训练和元测试阶段,ICAFSC冻结类内-类间通道注意力模块的参数,分别实现少样本分类经验的学习与迁移。在MiniImagenet数据集上分别开展了1-shot和5-shot的少样本分类实验。实验结果表明:本文提出的类内-类间通道注意力少样本分类方法与原型网络相比,在1-shot和5-shot条件下分类准确率分别提高了1.93%和1.15%。
|
关 键 词: | 深度学习 少样本分类 元学习 原型网络 通道注意力 |
|
|