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)
总体结构
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 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 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. |
今日新闻 |
推荐新闻 |
CopyRight 2018-2019 办公设备维修网 版权所有 豫ICP备15022753号-3 |