基于自适应特征融合与转换的小样本图像分类

来源：计算机工程与应用杂志2022年第24期北京时间：

作者：许栋, 杨关, 刘小明, 刘阳, 刘济宗, 陈静, 郭清宇

单位：1.中原工学院 计算机学院，郑州 450007；2.河南省网络舆情监测与智能分析重点实验室，郑州 450007；3.中原工学院 前沿信息技术研究院 网络舆情研究中心，郑州 450007；4.西安电子科技大学 通信工程学院，西安 710071

摘要：小样本学习中数据采样不断变化的特点使得模型特征提取不充分，同时，模型对提取的特征也难以进行相应操作；数据分布的变化也影响着小样本模型的性能。针对这些问题，提出一种基于自适应加权多路分支小样本图像分类模型。多路特征处理模块对输入数据进行特征提取和融合，以便充分利用少量数据；自适应的支路权重使得特征信号随特征进行相应的放缩；特征转换模块对多变的数据分布进行适应性变化，以便更好地聚合同类，提高分类效果。通过使用Caltech-UCSD Birds-200-2011数据集和mini-ImageNet数据集，对所提模型在不同场景下进行分类效果测试。实验结果表明，所提模型在5-Way 1-Shot和5-Way 5-Shot任务中的准确率分别比baseline相比分别提升9.81、8.16个百分点和9.16、9.21个百分点，验证了模型的有效性。

关键词：图像分类,小样本学习,特征融合,特征转换,自适应加权多路分支