典型文献
基于多尺度标签传播的小样本图像分类
文献摘要：
在小样本条件下,由于低数据问题,即标记数据较少且难以收集,采用传统的深度学习很难训练出一个好的分类器.最近的研究中,基于低维局部信息度量方法和标签传播网络(transductive propagation network,TPN)算法取得了较好的分类效果,并且局部信息可以很好地度量特征与特征之间的关系,但是低数据问题依然存在.为了解决低数据问题,提出基于多尺度的标签传播网络(multi-scale label propagation network,MSLPN)方法,其核心思想在于利用多尺度生成器生成多个尺度的图像特征,通过关系度量模块获得多个不同尺度特征下的样本相似性得分,并通过集成不同尺度的相似性得分获得分类结果,具体地,方法首先通过多尺度生成器生成不同尺度的图像特征,然后利用多尺度信息的相似性得分进行标签传播,最后通过多尺度标签传播结果计算获得分类结果.与TPN相比,在数据集miniImageNet上,5-way 1-shot和5-way 5-shot设置中的分类准确率分别提高了 2.77％和4.02％;在数据集tieredImageNet上,5-way 1-shot和5-way 5-shot设置中分类准确率分别提高了 1.16％和1.27％.实验结果表明,利用多尺度特征信息可有效提高分类准确率.
文献关键词：
小样本学习;度量学习;多尺度特征;特征增强;标签传播
中图分类号：
作者姓名：
汪航;田晟兆;唐青;陈端兵
作者机构：
电子科技大学大数据研究中心 成都 611731;中国石油西南油气田分公司通信与信息技术中心 成都 610051;成都数之联科技股份有限公司 成都 610041;四川省社会科学数字文化与传媒重点研究基地 成都 611731
文献出处：
引用格式：
[1]汪航;田晟兆;唐青;陈端兵-.基于多尺度标签传播的小样本图像分类)[J].计算机研究与发展,2022(07):1486-1495
A类：
MSLPN,tieredImageNet
B类：
标签传播,小样本图像分类,样本条件,记数,练出,分类器,低维,局部信息,信息度,传播网络,transductive,propagation,network,TPN,分类效果,multi,scale,label,核心思想,生成器,图像特征,过关,不同尺度,样本相似性,分获,多尺度信息,结果计算,miniImageNet,way,shot,分类准确率,多尺度特征,特征信息,小样本学习,度量学习,特征增强
AB值：
0.345815
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。
