摘要
不同于基于大规模监督的深度学习方法,小样本学习旨在从极少的几个样本中学习这类样本的特性,其更符合人脑的视觉认知机制.近年来,小样本学习受到很多学者关注,他们联合元学习训练模式与度量学习理论,挖掘查询集(无标记样本)和支持集(少量标记样本)在特征空间的语义相似距离,取得不错的小样本分类性能.然而,这些方法的可解释性偏弱,不能为用户提供一种便于直观理解的小样本推理过程.为此,提出一种基于区域注意力机制的小样本分类网络INT-FSL,旨在揭示小样本分类中的2个关键问题:1)图像哪些关键位置的视觉特征在决策中发挥了重要作用;2)这些关键位置的视觉特征能体现哪些类别的特性.除此之外,尝试在每个小样本元任务中设计全局和局部2种对比学习机制,利用数据内部信息来缓解小样本场景中的监督信息匮乏问题.在3个真实图像数据集上进行了详细的实验分析,结果表明:所提方法INT-FSL不仅能有效提升当前小样本学习方法的分类性能,还具备良好的过程可解释性.
基金项目
国家重点研发计划项目(2020AAA0108800)
国家自然科学基金(62137002)
国家自然科学基金(61937001)
国家自然科学基金(62176209)
国家自然科学基金(62176207)
国家自然科学基金(62106190)
国家自然科学基金(62050194)
国家自然科学基金创新群体(61721002)
教育部创新团队(IRT_17R86)
基于MOOC中国的"一带一路"人才培养的线上线下混合教学支撑信息化平台与服务体系()
中国博士后面上项目(2020M683493)
中国工程科技知识中心项目()
中央高校基本科研项目(Xhj032021013-02)
NETL
NSTL
维普
万方数据