基于流形混合增强的小样本图像分类算法

TP391.41; 针对训练样本不足,导致训练模型容易过拟合的问题,提出了一种流形混合增强方法.首先,将经过简单数据增强处理的样本输入网络,在训练过程中,随机选择一个输出特征层;然后,从训练集中随机抽取训练样本,按照混合参数进行不同方式的混合增强处理后,再送入下一个特征层,以此来缓解模型过拟合的问题.最后,针对传统神经网络获取长距离依赖关系困难的问题,融入一种光谱非局部块,使得特征提取网络可以更稳健、灵活地捕获远程依赖关系,以此来优化网络,提高网络性能.实验结果表明,在 CIFAR-FS、CUB200 和 miniImageNet三个数据集及跨域分类上进行 5-way 1-shot任务的平均与...

Full description

Saved in:
Bibliographic Details
Published in郑州大学学报（理学版） Vol. 55; no. 5; pp. 17 - 24
Main Authors 林龙, 王洪元, 田珍珍, 王阳
Format Journal Article
LanguageChinese
Published 常州大学 计算机与人工智能学院(阿里云大数据学院,软件学院) 江苏 常州 213000 01.09.2023
Subjects
non-local block
特征提取
图像分类
image classification
data augmentation
数据增强
小样本学习
非局部块
feature extractor
few-shot learning
Online AccessGet full text
ISSN1671-6841
DOI10.13705/j.issn.1671-6841.2022154

Cover

More Information
Summary:TP391.41; 针对训练样本不足,导致训练模型容易过拟合的问题,提出了一种流形混合增强方法.首先,将经过简单数据增强处理的样本输入网络,在训练过程中,随机选择一个输出特征层;然后,从训练集中随机抽取训练样本,按照混合参数进行不同方式的混合增强处理后,再送入下一个特征层,以此来缓解模型过拟合的问题.最后,针对传统神经网络获取长距离依赖关系困难的问题,融入一种光谱非局部块,使得特征提取网络可以更稳健、灵活地捕获远程依赖关系,以此来优化网络,提高网络性能.实验结果表明,在 CIFAR-FS、CUB200 和 miniImageNet三个数据集及跨域分类上进行 5-way 1-shot任务的平均与基准算法准确率对比,所提算法准确率有较高提升,验证了所提算法的有效性.
ISSN:1671-6841
DOI:10.13705/j.issn.1671-6841.2022154