多尺度注意力与领域自适应的小样本图像识别

TP391.4; 小样本图像识别是计算机视觉中的关键问题.针对小样本情况下度量学习方法的类别原型不准确、泛化能力差问题,本文采用以下措施来提高小样本图像识别准确率:第一、为减缓样本稀缺问题,利用掩膜自编码器进行图像扩充,提高样本复杂度.第二、设计多尺度注意力模块,突出类别相关特征,解决类别原型偏差大的问题.第三、提出领域自适应模块,引入间隔损失函数,优化嵌入函数的表征能力,实现新类样本的精确表征,增强模型的泛化能力.通过在多个公开数据集上进行实验表明,本文方法可以有效提升小样本图像识别准确率....

Full description

Saved in:
Bibliographic Details
Published in光电工程 Vol. 50; no. 4; pp. 64 - 78
Main Authors 陈龙, 张建林, 彭昊, 李美惠, 徐智勇, 魏宇星
Format Journal Article
LanguageChinese
Published 中国科学院光电技术研究所,四川 成都 610209 2023
中国科学院大学电子电气与通信工程学院,北京 100049%中国科学院光电技术研究所,四川 成都 610209
Subjects
注意力机制
相似性度量
小样本图像识别
领域自适应
Online AccessGet full text
ISSN1003-501X
DOI10.12086/oee.2023.220232

Cover

More Information
Summary:TP391.4; 小样本图像识别是计算机视觉中的关键问题.针对小样本情况下度量学习方法的类别原型不准确、泛化能力差问题,本文采用以下措施来提高小样本图像识别准确率:第一、为减缓样本稀缺问题,利用掩膜自编码器进行图像扩充,提高样本复杂度.第二、设计多尺度注意力模块,突出类别相关特征,解决类别原型偏差大的问题.第三、提出领域自适应模块,引入间隔损失函数,优化嵌入函数的表征能力,实现新类样本的精确表征,增强模型的泛化能力.通过在多个公开数据集上进行实验表明,本文方法可以有效提升小样本图像识别准确率.
ISSN:1003-501X
DOI:10.12086/oee.2023.220232