小样本学习图像分类整体架构（帮助确定切入点、研究方向及论文整体架构）

您所在的位置：网站首页 › 小风扇介绍的切入点 › 小样本学习图像分类整体架构（帮助确定切入点、研究方向及论文整体架构）

小样本学习图像分类整体架构（帮助确定切入点、研究方向及论文整体架构）

2024-07-11 02:46| 来源: 网络整理| 查看: 265

小样本学习图像分类整体架构（帮助确定切入点、研究方向及论文整体架构）总体结构

在这里插入图片描述

1. 数据集处理（图像增强）数据增强通过旋转、加噪、裁剪、压缩等操作。利用生成模型生成新的样本或产生新的特征。 2017 年 Mehrotra 等提出了生成网络 + 孪生网络的网络结构通过函数变换将图像中需要关注的物体本身或者其模式通过某种变换。模型适应数据针对数据的特点进行建模。对小样本的数据集，设计用于提取表示能力强的特征网络架构。 2.特征提取

注意力机制

简单来说就是在特征提取中，加权需要重点获取的信息

记忆力机制

简单来说就是提取各阶段的信息进行融合 3.分类器卷积神经网络最后一层添加softmax的全连接层来分类多数采用距离度量加权重小样本公用数据集

数据量级大、类别多、每类包含的样本多的数据集。

Tiered-ImageNet

数量级较小的数据集

CIFAR-100（FC100）

Mini-ImageNet

CUB-200

数据集类别较多, 但是相对类内样本少的数据集。

Omniglot

在这里插入图片描述

小样本学习评价指标 N-way K-shot N ∈ {5, 10, 15, 20}, K ∈ {1, 5}一般来说取这些值的组合

在这里插入图片描述

小样本图像算法分类卷积神经网络模型迁移学习基于特征基于相关性基于共享参数元学习基于度量基于优化基于模型对偶学习自动编码机生成对抗网络贝叶斯学习图神经网络模型研究方向模型预训练需要大量样本与小样本背道而驰，可以研究利用其他先验知识而非模型预训练的方法。针对基于元学习的方法设计合理的（自适应）梯度迁移算法

参考资料

[1] 刘颖, 雷研博, 范九伦等. 基于小样本学习的图像分类技术综述[J]. 自动化学报, 2021, 47(02):297-315.

[2] 赵凯琳, 靳小龙, 王元卓. 小样本学习研究综述[J].软件学报, 2021, 32(02):349-369.

【本文地址】

小样本学习图像分类整体架构（帮助确定切入点、研究方向及论文整体架构）

小样本学习图像分类整体架构（帮助确定切入点、研究方向及论文整体架构）

今日新闻

推荐新闻