典型文献
结合多尺度特征与掩码图网络的小样本学习
文献摘要：
对样本所含信息的提取能力决定网络模型进行小样本分类的效果,为了进一步提高模型挖掘信息的能力,提出一种结合多尺度特征与掩码图网络的小样本学习方法.设计由1×1卷积、全局平均池化和跳跃连接组成的最小残差神经网络块,与卷积块拼接成特征提取器,以提取样本不同尺度的特征,并通过注意力机制将不同尺度特征融合;使用融合的多尺度特征构建包含结点与边特征的图神经网络,并在其中加入一个元学习器(meta-learner)用于生成边的掩码,通过筛选边特征来指导图结点聚类与更新,进一步强化样本特征;通过特征贡献度和互斥损失改进类在嵌入空间表达特征的求解过程,提升模型度量学习能力.在MiniImagenet数据集上,该方法1-shot准确率为61.4％,5-shot准确率为78.6％,分别超过传统度量学习方法12.0个百分点与10.4个百分点;在Cifar-100数据集上分别提升9.7个百分点和6.0个百分点.该方法有效提升了小样本学习场景下的模型分类准确率.
文献关键词：
小样本学习;度量学习;元学习;多尺度特征;图神经网络
中图分类号：
作者姓名：
董博文;汪荣贵;杨娟;薛丽霞
作者机构：
合肥工业大学 计算机与信息学院,合肥 230601
文献出处：
引用格式：
[1]董博文;汪荣贵;杨娟;薛丽霞-.结合多尺度特征与掩码图网络的小样本学习)[J].计算机工程与应用,2022(16):111-122
A类：
MiniImagenet
B类：
多尺度特征,掩码图,图网络,小样本学习,所含,全局平均池化,跳跃连接,连接组,残差神经网络,拼接,不同尺度,注意力机制,特征融合,特征构建,结点,图神经网络,元学习,meta,learner,过筛,选边,导图,样本特征,贡献度,互斥,空间表达,表达特征,度量学习,shot,百分点,Cifar,学习场景,模型分类,分类准确率
AB值：
0.353906
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。
