科研之友
微信
新浪微博
Facebook
分享链接
摘要
针对基于度量的元学习在稀缺数据分布训练中得到的先验知识不足、在网络提取的单一视图样本特征中易受到弱相关或无关特征的干扰和在分类过程中得到有偏差的代表性特征的问题，提出一种双路径合作的原型矫正小样本分类模型。首先，通过双路径合作模块从多视图角度自适应地突出关键特征和弱化弱相关特征，充分利用特征信息获得先验知识来提升特征的表达能力；其次，通过基于查询集样本特征信息的原型矫正分类策略来解决类内原型的偏差问题；最后，通过损失函数反向更新模型参数，模型分类准确率得以提升。在5个公开的小样本基准数据集上进行了对比实验，在miniImageNet数据集上，准确率提升了3.9%至5.94%；在tieredImageNet数据集上，准确率提升了2.05%至5.68%；在CUB数据集上，准确率提升了3.13%至16.19%；在CIFAR-FS数据集上，准确率提升了1.65%至14.44%；在FC-100数据集上，准确率提升了4.25%至6.42%。实验结果表明，提出的双路径合作的原型矫正小样本分类模型能在小样本学习领域有良好的性能，且模型中的模块可迁移到其它模型中使用。
- 单位
