摘要
图像分类相关的深度学习算法一般是通过大量标注数据训练模型,使得模型能够准确预测目标的类别。但对于某些样本数据难以获取与标注数据需要耗费巨大成本的特殊场景下,传统的图像分类算法并不适用,因此如何基于小样本训练模型变得至关重要。为了提高小样本的分类准确率,提出基类任务相关模型算法去提高小样本图像分类准确度,由于训练时候对基类的泛化一定程度降低新类的泛化,所以提出基于基类任务相关模型,通过一个基类任务相关网络层,生成掩码去调整支持集的特征去适应分类任务。实验通过miniImageNet数据集对提出的模型进行测试,验证了该方法的有效性。
- 单位