期刊文章详细信息
文献类型:期刊文章
YANG Liping;ZHANG Tianyang;WANG Yuyang;GU Xiaohua(Key Laboratory of Optoelectronic Technique&System of Ministry of Education,Chongqing University,Chongqing 400044,China;School of Electrical Engineering,Chongqing University of Science&Technology,Chongqing 401331,China)
机构地区:[1]重庆大学光电技术及系统教育部重点实验室,重庆400044 [2]重庆科技学院电气工程学院,重庆401331
基 金:国家重点研发计划课题(No.2022YFF0708001);重庆市自然科学基金面上项目(No.csts2021jcyj-msx⁃mX0478)。
年 份:2023
卷 号:31
期 号:21
起止页码:3145-3155
语 种:中文
收录情况:AJ、BDHX、BDHX2020、CAS、CSCD、CSCD2023_2024、EI、IC、JST、RCCSE、SCOPUS、ZGKJHX、核心刊
摘 要:针对元学习少样本分类样本特征鉴别能力不足的问题,提出了一种类内-类间通道注意力少样本分类方法(Intrainter Channel Attention Few-shot Classification,ICAFSC)。ICAFSC在原型网络基础上设计了一个类内-类间通道注意力模块,该模块通过类内-类间距离度量计算通道权重实现特征加权,提高特征对类别的鉴别能力。为了克服直接在元训练阶段学习类内-类间通道注意力模块容易出现过拟合或欠拟合现象的问题,ICAFSC在原型网络的元训练之前增加一个预训练阶段。该阶段设计具有大量标记样本的分类任务,并利用这些任务充分训练类内-类间通道注意力模块,促使该模块达到较优的状态。在原型网络的元训练和元测试阶段,ICAFSC冻结类内-类间通道注意力模块的参数,分别实现少样本分类经验的学习与迁移。在MiniImagenet数据集上分别开展了1-shot和5-shot的少样本分类实验。实验结果表明:本文提出的类内-类间通道注意力少样本分类方法与原型网络相比,在1-shot和5-shot条件下分类准确率分别提高了1.93%和1.15%。
关 键 词:深度学习 少样本分类 元学习 原型网络 通道注意力
分 类 号:TP181]
参考文献:
正在载入数据...
二级参考文献:
正在载入数据...
耦合文献:
正在载入数据...
引证文献:
正在载入数据...
二级引证文献:
正在载入数据...
同被引文献:
正在载入数据...