摘要
传统的图像分类算法需要大量的标记数据来训练模型，并且容易过拟合，难以解决有限样本下的图像分类任务。因此，为了解决小样本导致的精度损失问题，本文在元学习框架下，利用语义先验知识习得更全面且更具泛化能力的特征表示，在保证模型泛化能力的同时，进一步提高模型的鲁棒性，使小样本图像分类不再完全依赖于大规模标签数据集。主要工作如下： 首先，针对图像视觉信息不足的问题，提出基于语义扩充关系网络(SemanticAugmentRelation-NeT,SAR-NeT)的小样本图像分类模型。该模型基于预训练设计特征提取器，以提供较好的图像嵌入表示。在类别表示器中，引入属性等先验知识联系基类与新类，训练得到更具泛化能力的属性相关类别表示，然后与均值类别表示融合为更有代表性的融合类别表示。相似性度量分类器采用参数分类模型，对映射到高维语义空间的支持集与查询集中的特征对进行距离度量，从而对查询集中的图像实现有效分类。 其次，为了进一步提高模型的鲁棒性，基于SAR-NeT小样本图像分类模型，对相似性度量分类器进行改进，提出基于Two-Stream与语义扩充关系网络(Two-StreamandSemanticAugmentRelation-NeT,TSSAR-NeT)的小样本图像分类模型。从用于比较的特征表示出发，一方面将SAR-NeT模型中的相似性度量分类器作为匹配外观流，另一方面采用二阶矩阵特征进行度量以构建关系信息流，上述两个流互补地组成Two-Stream模块。同时引入同方差不确定性，设计Two-Stream加权机制，以实现更有效的分类预测。 最后，在三个数据集上，将本文提出的模型分别与传统的和先进的小样本图像分类模型进行对比，分析和验证所提出的模型在提高小样本图像分类精度上的有效性。
NETL