典型文献
基于特征关系依赖网络的小样本学习方法
文献摘要：
小样本学习任务旨在仅提供少量训练样本的情况下完成对测试样本的正确分类.基于度量学习的小样本学习方法通过将样本映射到嵌入空间中,计算样本间距离得到相似性度量以预测类别,但仅对样本特征进行独立映射,而忽略了对整个任务的观察,同时在小样本场景下通过传统方法计算的原型与期望原型存在偏差,导致在查询集上泛化性较低.针对上述问题,提出了特征关系依赖网络(FRDN).特征关系依赖网络包含两个模块:首先使用关系挖掘模块充分挖掘任务中样本的类内与类间关系,将其作为自注意力值对类簇进行调整,以获得判别性更高的任务自适应嵌入空间,计算初始原型;随后使用偏差抑制模块对初始原型进行校正,得到在查询集上泛化性更高的优化原型,进一步提高模型的分类准确率.在MiniImagenet数据集上,该方法1-shot分类准确率59.17％,5-shot准确率74.11％,分别超过传统度量学习方法6.13％与2.83％;在CUB数据集上分别提升9.3％和2.74％.
文献关键词：
深度学习;小样本学习;度量学习;特征优化;原型调整
中图分类号：
作者姓名：
李婧宇;汪荣贵;杨娟;薛丽霞;董博文
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]李婧宇;汪荣贵;杨娟;薛丽霞;董博文-.基于特征关系依赖网络的小样本学习方法)[J].微电子学与计算机,2022(09):11-19
A类：
FRDN,MiniImagenet,原型调整
B类：
特征关系,依赖网络,小样本学习,学习任务,训练样本,下完,正确分类,度量学习,射到,相似性度量,样本特征,本场,泛化性,关系挖掘,自注意力,判别性,分类准确率,shot,CUB,特征优化
AB值：
0.281923
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。
