科研之友
微信
新浪微博
Facebook
分享链接
摘要
针对小样本学习中样本数量过少难以表述类别特征的问题，提出一种结合原型校准数据分布的小样本学习方法。首先，利用嵌入网络对图像进行预处理，将提取到的新类特征进行幂次变换。随后，通过相似度加权基类来表征新类样本的原型，充分利用已学过的基类知识来减小计算原型与实际原型的偏差。最后，以新类样本特征与其对应的原型构造均匀分布，根据样本数量改变均匀分布边界，使采样集中在置信度高的区域，生成大量的新类特征扩充训练分类器的支持集。在5-way 1-shot和5-way 5-shot设置中，该方法在miniImageNet数据集上的准确率分别为68.94%和84.75%,在CUB数据集上分别为81.75%和91.88%,均优于现有方法的最好结果。因此，所提方法能有效提高模型在小样本图像上的分类性能，获得更高的预测准确率。
- 单位
