采用特征图增强原型的小样本图像分类方法

在基于度量学习的小样本图像分类方法中，由于标注样本的稀缺，仅用支持集样本得到的类原型往往难以代表整个类别的真实分布；同时，同类样本间也可能在多个方面存在较大差异，较大的类内差异可能使样本特征偏离类别中心。针对上述可能严重影响图像分类性能的问题，提出一种采用特征图增强原型的小样本图像分类方法（FMEP）。首先，用余弦相似度从查询集样本特征图中选择部分相似特征加入类原型中，得到更具代表性的特征图增强原型；其次，对相似的查询集样本特征进行聚合，缓解类内差异大导致的问题，使同类样本的特征分布更接近；最后，用在特征空间中与真实类别分布都更接近的特征图增强原型和聚合查询特征进行相似度比较得到更优的分类结果。所提方法在MiniImageNet、TieredImageNet、CUB-200和CIFAR-FS等常用的小样本图像分类数据集上进行了实验，结果表明所提方法获得了比基线模型更优的分类性能，同时也优于同类型的小样本图像分类方法。