典型文献
修复局部描述子网络的小样本学习方法
文献摘要：
针对现有的基于局部描述子的小样本度量学习方法未能考虑局部描述子之间的关联性以及未充分利用类别的全局特征信息的问题,提出了修复局部描述子网络(RLDN).相邻GCN模块通过利用同张图像内的空间位置关系增强局部描述子之间的联系,修复了部分背景噪声局部描述子.全局特征提取模块通过学习并融合图像的全局特征输出类别的全局描述子,再串接局部描述子对其作进一步修复.此外还引入了三元组损失,将其融入到传统的交叉熵损失中提出了全新的混合损失函数,增大了不同类别的间距,有助于分类器减少错误分类的情况.实验结果表明,与传统的局部描述子方法对比,修复局部描述子网络能降低噪声特征对分类器的干扰,有效提升模型的分类准确率.
文献关键词：
小样本学习;局部描述子;度量学习;图卷积网络;三元组损失
中图分类号：
作者姓名：
汪荣贵;王维;杨娟;薛丽霞
作者机构：
合肥工业大学计算机与信息学院,安徽合肥230601
文献出处：
引用格式：
[1]汪荣贵;王维;杨娟;薛丽霞-.修复局部描述子网络的小样本学习方法)[J].微电子学与计算机,2022(08):21-30
A类：
RLDN
B类：
局部描述子,子网络,小样本学习,度量学习,特征信息,GCN,空间位置,位置关系,背景噪声,全局特征提取,取模,融合图像,全局描述子,串接,三元组损失,交叉熵损失,混合损失函数,分类器,误分类,子方,方法对比,低噪声,噪声特征,分类准确率,图卷积网络
AB值：
0.257886
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。
