图神经网络的类别解耦小样本分类

现有的基于度量的小样本图像分类模型展现了一定的小样本学习性能，然而这些模型往往忽略了原始数据被分类关键特征的提取。图像数据中与分类无关的冗余信息被融入小样本模型的网络参数中，容易造成基于度量方法的小样本图像分类性能瓶颈。针对这个问题，提出一种基于图神经网络的类别解耦小样本图像分类模型（VT-GNN），该模型结合图像自注意力与分类任务监督的变分自编码器作为图像嵌入模块，得到原始图像类别解耦特征信息，成为图结构中的一个图节点。通过一个多层感知机为节点之间构建具有度量信息的边特征，将一组小样本训练数据构造为图结构数据，借助图神经网络的消息传递机制实现小样本学习。在公开数据集Mini-Imagenet上，VT-GNN在分别5-way1-shot与5-way 5-shot设置中相较于基线图神经网络模型分别获得了17.9个百分点和16.25个百分点的性能提升。