多级度量网络的小样本学习

来源：计算机工程与应用杂志2023年第2期北京时间：

作者：韦世红, 刘红梅, 唐宏, 朱龙娇

单位：1.重庆邮电大学 通信与信息工程学院，重庆 400065；2.重庆邮电大学 移动通信技术重庆市重点实验室，重庆 400065

摘要：小样本学习的分类结果依赖于模型对样本特征的表达能力，为了进一步挖掘图像所表达的语义信息，提出一种多级度量网络的小样本学习方法。将输入图像的特征向量放入嵌入模块进行特征提取；将经过第二层卷积及第三层卷积得到的特征描述子分别进行图像-类的度量以获得图像关系得分，对第四层卷积得到的特征向量进行全连接并将其做图像-图像的度量从而得到图像从属概率；通过交叉验证对2个图像关系得分以及1个图像从属概率进行加权融合并输出分类结果。实验结果表明在miniImageNet数据集上，该方法5-way 1-shot准确率为56.77%，5-way 5-shot准确率为75.83%。在CUB数据集上，该方法5-way 1-shot及5-way 5-shot准确率分别上升到55.34%及76.32%。在Omniglot数据集上准确率同传统方法相比也有一定提升。因此，该方法可有效挖掘图像中所表达的语义信息，显著提高小样本图像分类的准确率。

关键词：小样本学习,度量学习,深度学习,多级度量