结合多尺度特征与掩码图网络的小样本学习

作者：董博文; 汪荣贵; 杨娟; 薛丽霞

来源：计算机工程与应用, 2021, 1-16.

• 小样本学习
• 度量学习
• 元学习
• 多尺度特征
• 图神经网络

对样本所含信息的提取能力决定网络模型进行小样本分类的效果，为了进一步模型挖掘信息的能力，提出一种结合多尺度特征与掩码图网络的小样本学习方法。首先，设计由1x1卷积、全局平均池化和跳跃连接组成的最小残差神经网络块，与卷积块拼接成特征提取器，以提取样本不同尺度的特征，并通过注意力机制将不同尺度特征融合；其次，使用融合的多尺度特征构建包含结点与边特征的图神经网络，并在其中加入一个元学习器（Meta- learner）用于生成边的掩码，通过筛选边特征来指导图结点聚类与更新，进一步强化样本特征；最后，通过特征贡献度和互斥损失改进类在嵌入空间表达特征的求解过程，提升模型度量学习能力。在MiniImagenet数据集上，该方法1-shot准确率61.4%，5-shot准确率78.6%，分别超过传统度量学习方法12.0%与10.4%；在Cifar-100数据集上分别提升9.7%和6.0%。因此，该方法有效提升了小样本学习场景下的模型分类准确率。

• 单位
  合肥工业大学