首页|通道注意力双线性度量网络

通道注意力双线性度量网络

扫码查看
原文链接
  • 万方数据
  • 维普
针对小样本图像分类任务中模型对不同类的相似图片进行度量时,由于缺少对样本局部重要特征的关注且难以捕捉相似图片间的细微差别,导致出现部分查询样本与正确类原型的分类边界较模糊的问题,提出了一种通道注意力双线性度量网络(CABMN).该网络首先增加模型对图片局部重要区域的关注度,然后利用双线性哈达玛积操作挖掘该重要区域的深层次二阶特征信息,使模型对图片局部关键区域的定位更精准.对比实验结果表明:本文提出的CABMN在各数据集上的分类性能均有提高,尤其在细粒度数据集CUB-200-2011 和Stanford-Cars上达到86.19%和81.51%的分类准确率.
Channel attention bilinear metric network
In few-shot image classification tasks,when the model measures similar images of different classes,due to the lack of attention to local important features of the sample and the difficulty in capturing the subtle differences between similar images,the classification boundary between query samples and correct class prototype is fuzzy.Based on this,this paper proposes a Channel Attention Bilinear Metric Network(CABMN),which firstly increases the attention of the model to the local important region of the image,and then uses the bilinear Hadamard product operation to mine the deep second-order feature information of the important region,so that the model can locate the local key region of the image more accurately.Comparative experimental results show that the proposed CABMN has improved the classification performance on all datasets,especially on the fine-grained datasets CUB-200-2011 and Stanford-Cars,reaching 86.19%and 81.51%classification accuracy.

few-shot learningfine-grained image classificationmetric learningattention mechanismHadamard product

李晓旭、安文娟、武继杰、李真、张珂、马占宇

展开 >

兰州理工大学 计算机与通信学院,兰州 730050

华北电力大学 电子与通信工程系,保定 071003

华北电力大学 河北省电力物联网技术重点实验室,保定 071003

北京邮电大学 人工智能学院模式识别与智能系统实验室,北京 100876

展开 >

小样本学习 细粒度图像分类 度量学习 注意力机制 哈达玛积

国家自然科学基金项目国家自然科学基金项目国家自然科学基金项目国家自然科学基金项目国家自然科学基金项目甘肃省重点研发计划项目河北省省级科技计划项目北京邮电大学优秀青年团队项目兰州理工大学红柳杰出青年基金项目

62176110U19B203662225601U23B20526207609322YF7GA130SZX20200342023QNTD02

2024

10.13229/j.cnki.jdxbgxb.20221176

吉林大学学报(工学版)
吉林大学

吉林大学学报(工学版)

CSTPCD北大核心
影响因子：0.792
ISSN：1671-5497
年,卷(期)：2024.54(2)
  • 27