摘要
近年来，以卷积神经网络为代表的深度学习方法在图像分类任务上取得了巨大成功。但为进行有效的图像分类，基于深度学习的图像分类方法需要大量带标记样本，而实际应用中带标记样本难以收集或标记代价极高。此外，在某些应用场景中，不仅标记样本少且样本数量也较少，如医疗领域。因此，小样本图像分类方法吸引了许多学者的关注。 小样本学习可分为基于元学习的方法、基于数据增强的方法和基于度量学习的方法。本文对基于度量学习的小样本图像分类方法展开研究，该类方法又分为基于图像级特征的方法和基于深度局部特征的方法。相对于图像级特征，深度局部特征具有丰富的语义信息，成为了近年来研究的热点。目前对深度局部特征的重要性度量与利用的工作相对较少。为此，本文围绕深度局部特征的重要性度量与利用开展研究，主要工作如下: (1)提出了基于深度局部特征卷积块注意力的小样本图像分类方法(Convolutional Block Attention with Deep Local Features for Few-shot Image Classification,CBA-Net)。针对局部特征尺度单一和没有区分局部特征的重要性等问题，该方法利用平均池化层来生成了多尺度深度局部特征，丰富了局部特征空间。同时，设计了一种卷积块注意力模块，它利用卷积块捕获特征图的空间信息和通道信息，以学习各局部特征的重要程度。本文在三个数据集上进行了大量实验，实验结果表明该方法优于SOTA方法，其中在miniImageNet数据集的5-way 1-shot和5-way 5-shot任务上，准确率分别提高了 0.81％和1.53％。 (2)提出了基于深度局部特征跨注意力机制的小样本图像分类方法(Cross Attention with Deep Local Features for Few-shot Image Classification,CA-Net)。针对深度局部特征的重要性会随着训练任务的改变而变化的问题，该方法基于查询集和支持集局部特征之间的相关性提出了一种名为跨注意力的注意力机制，其能学习到任务相关的深度局部特征。在三个数据集对该方法进行大量实验，结果表明该方法优于SOTA方法，而且在相同的设置下，比CBA-Net在miniImageNet数据集的5-way 1-shot和5-way 5-shot任务上准确率分别提高了 0.25％和0.23％。 (3)提出了基于深度局部特征跨注意力机制的轻量级小样本图像分类方法(Lightweight Cross Attention with Deep Local Features for Few-shot Image Classification,LCA-Net)。CBA-Net和CA-Net中的注意力模块使用了含有大量可学习参数的卷积块，导致模型参数较多。本文从减少参数量的角度出发，提出了一种名为轻量级跨注意力的注意力机制，其通过利用查询样本中各深度局部特征的通道均值和查询样本中各局部特征与支持集的相关度来获得各深度局部特征的重要程度。在三个数据集上的大量实验表明，该方法优于SOTA。此外，即使LCA-Net大幅减少了可学习参数的数量，其准确率仅略低于CA-Net。
NETL