摘要
深度学习已然成为图像分类技术的主流方法，但由于数据稀缺等原因，获取大规模标记数据依然是一项艰巨的任务。受到人类快速学习新事物能力的启发，小样本学习受到研究者们的广泛关注。其中，基于度量学习的小样本图像分类方法因其简洁高效备受欢迎。然而，模型在分类时依旧容易受到冗余特征的影响，无法充分利用已有信息生成类原型，精确定位样本特征。不仅如此，模型在特征重构时不能根据不同任务自适应地选择利于分类的特征。具体而言，每次训练时都对所有特征一视同仁，而实际上并非所有特征都同等重要，这加重了模型训练的负担。为了解决上述问题，本文提出了以下两个方案： （1）提出了一种面向小样本图像分类的原型矫正网络。针对基于度量学习的小样本图像分类方法中模型很容易受到冗余特征的影响，导致无法充分利用已有信息对样本进行分类的问题，本文在原型网络的基础上提出了原型矫正网络，该网络主要由通道注意力模块和矫正模块构成。其中，通道注意力模块中包含卷积和池化操作，可以增加模型对重要特征的关注，减少冗余特征对模型分类的影响；矫正模块利用哈达玛乘积的方式生成新的类别原型，有助于提取更丰富的特征信息，缓解了类原型偏差问题。最终，在通道层面对查询特征取均值与新的类原型做距离度量来判断待分类样本所属类别。实验结果表明，原型矫正网络能够帮助模型充分考虑已有的特征信息，进而表现出优异的泛化性能。 （2）提出了一种面向小样本图像分类的自适应特征图重构网络。针对基于度量学习的小样本图像分类方法中模型无法根据不同的任务自适应地选择当前最具有辨别力的特征的问题，本文在特征重构网络的基础上提出了自适应特征图重构网络，该网络主要包含宽松任务差异最大化模块和中心损失函数两部分。首先，宽松任务差异最大化模块促使模型在通道层面为不同的特征赋予权重，进而可以充分考虑查询样本和支持样本之间的关系，自适应地选择与当前任务最具有关联性的特征。其次，结合中心损失函数辅助模型训练，使得同类样本在特征空间中的距离更加接近，从而可以形成较大的类边界。最终，通过对多个不同数据集进行对比、消融和可视化分析等实验，验证了自适应特征图重构网络具备优异的泛化性能。
NETL