| 多层自适应聚合的自监督小样本图像分类 |
| |
| 引用本文： | 吕佳,巫若愚.多层自适应聚合的自监督小样本图像分类[J].中国图象图形学报,2023,28(4):1056-1068. |
| |
| 作者姓名： | 吕佳 巫若愚 |
| |
| 作者单位： | 1.重庆师范大学计算机与信息科学学院，重庆 401331;2.重庆师范大学重庆市数字农业服务工程技术研究中心，重庆 401331 |
| |
| 基金项目： | 国家自然科学基金项目（11991024）；重庆市高校创新研究群体资助项目（CXQT20015）；重庆市教育委员会“成渝地区双域经济圈建设”科技创新项目（KJCX2020024）；重庆市教委科研项目重点项目（KJZD-K202200511）；重庆市科技局技术预见与制度创新项目（CSTB 2022TFII-OFX0044） |
| |
| 摘 要： | 目的 在图像分类领域，小样本学习旨在利用从大规模数据集中训练到的知识来处理仅包含少量有标记训练样本的下游分类任务。通常情况下，下游任务只涉及新类样本，由于元训练阶段会构造大量任务随机抽取训练集中不同类别的样本且训练集与测试集类别间存在领域间隙，因此模型训练周期长且可能对训练集过拟合，以致元知识无法迁移到测试集，进而导致模型泛化性差。针对以上问题，提出一种多层自适应聚合的自监督小样本图像分类模型。方法 首先使用分组卷积对残差块进行改进，减少神经网络参数量，降低训练难度，缩短训练时间；然后采用多层自适应聚合的方法改进骨干网络，对网络各层语义信息加以提炼聚合，自适应分配各层权重，将聚合后的特征图作为后续分类的依据；最后加入自监督对比学习结合有监督学习挖掘样本自身潜在的信息，从而提升样本特征表达能力。结果 在mini-ImageNet数据集和CUB(Caltech-UCSD birds-200-2011)数据集上与当前主流模型进行分类效果对比实验，与baseline相比，所提模型的准确率在mini-ImageNet数据集的5-way 1-shot与5-way 5-shot实验上分别提升了6.3...
|
| 关 键 词： | 小样本学习 图像分类 自适应聚合 自监督学习 对比学习 |
| 收稿时间： | 2021/12/20 0:00:00 |
| 修稿时间： | 2022/5/7 0:00:00 |
Multi-layer adaptive aggregation self-supervised few-shot learning image classification |
| |
| Lyu Ji,Wu Ruoyu.Multi-layer adaptive aggregation self-supervised few-shot learning image classification[J].Journal of Image and Graphics,2023,28(4):1056-1068. |
| |
| Authors: | Lyu Ji Wu Ruoyu |
| |
| Affiliation: | 1. College of Computer and Information Sciences, Chongqing Normal University, Chongqing 401331, China;2. Chongqing Research Center on Engineer Technology of Digital Agricultural & Services, Chongqing Normal University, Chongqing 401331, China |
| |
| Abstract: | |
| |
| Keywords: | few-shot learning image classification adaptive aggregation self-supervised learning contrastive learning |
|
| 点击此处可从《中国图象图形学报》浏览原始摘要信息 |
|
点击此处可从《中国图象图形学报》下载免费的PDF全文 |
