科研之友
微信
新浪微博
Facebook
分享链接
摘要
针对当前基于度量学习的小样本图像分类算法中普遍存在的图像分类精度不高与泛化性能一般的问题，提出了一种采用动态子空间的小样本图像分类算法。首先，使用残差神经网络提取小样本图像特征，对各类特征向量进行分解后，动态生成表征图像类别的正交化投影子空间，增强类间特征的差异性；其次，通过融合子空间损失函数与交叉熵损失函数，增强同类样本的特征相似性，构建基于小样本学习的动态子空间分类器，随采样量与样本相似度的变化动态更新子空间的类间距离；最后，将目标图像的特征向量输入动态子空间分类器，使用平方欧氏距离与softmax函数计算类别概率，预测其所属类别。在mini-ImageNet、CIFAR-100和Pascal VOC2007小样本数据集上进行性能测试，并与当前主流的小样本图像分类算法进行了比较，所提出算法的图像分类精度高于对比算法。在5-way 5-shot的条件下，分类精度比当前性能较好的深度子空间分类网络提高了2.3%。实验结果表明，所提出的算法具有较强的泛化性能与抗干扰能力。
-
单位辽宁工业大学; 大连交通大学
