典型文献
一种基于群等变卷积的度量元学习算法
文献摘要：
传统机器学习方法泛化性能不佳,需要通过大规模数据训练才能得到较好的拟合结果,因此不能快速学习训练集外的少量数据,对新种类任务适应性较差,而元学习可实现拥有类似人类学习能力的强人工智能,能够快速适应新的数据集,弥补机器学习的不足.针对传统机器学习中的自适应问题,利用样本图片的局部旋转对称性和镜像对称性,提出一种基于群等变卷积神经网络(G-CNN)的度量元学习算法,以提高特征提取能力.利用G-CNN构建4层特征映射网络,根据样本图片中的局部对称信息,将支持集样本映射到合适的度量空间,并以每类样本在度量空间中的特征平均值作为原型点.同时,通过同样的映射网络将查询机映射到度量空间,根据查询集中样本到原型点的距离完成分类.在Omniglot和miniImageNet数据集上的实验结果表明,该算法相比孪生网络、关系网络、MAML等传统4层元学习算法,在平均识别准确率和模型复杂度方面均具有优势.
文献关键词：
元学习;群等变卷积;深度学习;自适应性;度量学习
中图分类号：
作者姓名：
吴鹏翔;李凡长
作者机构：
苏州大学 计算机科学与技术学院,江苏 苏州 215006
文献出处：
引用格式：
[1]吴鹏翔;李凡长-.一种基于群等变卷积的度量元学习算法)[J].计算机工程,2022(02):72-78
A类：
群等变卷积
B类：
度量元,元学习,机器学习方法,泛化性能,大规模数据,数据训练,学习训练,训练集,少量数据,新种,人类学,强人工智能,快速适应,适应问题,旋转对称性,镜像对称性,特征提取能力,特征映射,射到,度量空间,每类,据查,Omniglot,miniImageNet,孪生网络,关系网络,MAML,识别准确率,模型复杂度,自适应性,度量学习
AB值：
0.395291
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。
