摘要
小样本学习主要研究从少量的样本快速学习和归纳,原型网络对该问题提出了解决方法.原型网络算法将样本通过网络框架嵌入到低维空间,在低维空间中将支持集的每个类别的样本均值作为各自的原型,计算查询集样本到每个类别原型的距离,进而得到损失函数,通过迭代更新损失函数来优化网络框架,使得经过网络框架后的样本类内的差异变小,类间的差异变大.在计算每个类别原型的过程中,将每个类的样本均值作为各自的原型,由于每个类别的样本数较少,在计算原型时会有不确定性,当样本中存在离群点时,会使计算出的原型偏离真实的原型,在判别新样本属于哪一类别时,很容易产生误差.针对该问题,提出密度加权原型网络,利用密度加权算法计算每个类别中样本的密度,对密度大的样本赋予较大的权值,密度小的样本赋予较小的权值,进行加权得到原型,来缓解以上的缺陷.在miniImageNet数据集上设置5-way 5-shot、20-way 5-shot实验,结果表明所提出密度加权原型网络相对于原型网络算法在识别正确率方面有所提升.
国家科技期刊平台
NSTL
维普
万方数据