典型文献
基于多角度学生子注意力网络的小样本学习
文献摘要：
小样本图像分类的准确性取决于神经网络模型对样本数据提取图像表征的能力,为了挖掘出图像更多的细节信息,提出了 一种基于多角度学生子注意力网络的小样本分类方法.首先将Conv64所提取的特征作为网络的基础特征,其次构建两个学生分支,使网络从图像位置和通道角度来提取图像的细节信息,最后融入互学习思想,促使两个学生子分支相互监督,相互学习,利用两个学生子分支网络分别对小样本任务进行分类.文中在Mini-ImageNet和Tiered-ImageNet两个数据集上验证了多角度学生子注意力网络有效性,在Mini-ImageNet数据集上,该方法5-way 1-shot准确率为 56.54％,5-way 5-shot 准确率为 73.87％.在 Tiered-ImageNet 数据集上,该方法 5-way 1-shot及5-way 5-shot准确率分别上升到59.62％及77.96％.实验结果表明,相较于只使用单一角度的注意力网络,基于多角度学生子注意力能够更加关注图像的全局信息,显著提高了小样本图像分类的准确性.
文献关键词：
小样本学习;互学习;通道注意力;位置注意力;特征提取
中图分类号：
作者姓名：
王彩玲;魏清晨;仇真;蒋国平
作者机构：
南京邮电大学自动化学院、人工智能学院,江苏南京 210023;苏州科技大学电子与信息工程学院,江苏苏州 215000
文献出处：
引用格式：
[1]王彩玲;魏清晨;仇真;蒋国平-.基于多角度学生子注意力网络的小样本学习)[J].南京邮电大学学报（自然科学版）,2022(03):66-73
A类：
Conv64
B类：
生子,注意力网络,小样本学习,小样本图像分类,数据提取,图像表征,挖掘出,出图,细节信息,分类方法,互学习,学习思想,分支网,Mini,ImageNet,Tiered,way,shot,一角,力能,全局信息,通道注意力,位置注意力
AB值：
0.252387
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
