一种多尺度自适应池化的小样本分类方法

摘要

通过有限的训练样本训练分类器，小样本学习能够对新的视觉对象进行分类，但普遍存在提取特征信息丢失，判别能力较差等问题.本文基于多尺度克罗内克积关系网络(MsKPRN)模型框架，提出一种新颖的Adaptive Atrous Spatial Pyra-mid Pooling(Adaptive-ASPP)模块.首先，通过对特征信息进行四种不同感受野的扩张，提取不同视野的特征图信息，并利用四种不同膨胀率特征融合方法将不同感受野的信息进行融合，以缓解特征信息丢失的问题.接着，采用微调的通道注意力和空间注意力相结合的方法，专注于通道级别的特征细节信息，以提高特征的判别能力和分类的准确性.最后，利用克罗内克积关系网络生成空间相关图，以更清晰地捕捉特征位置的相关性，从而提高分类的准确性.本文所提出模型在miniImageNet、Stanford Cars、Stanford Dogs、CUB-200数据集上与常见的方法进行比较，相比于MsKPRN模型在1-shot上分别提高0.7%、5.8%、1.1%、10.6%;在5-shot上分别提高0.9%、2.5%、0.7%、9.3%,有效提高关系网络算法在小样本条件下的分类准确性.

关键词

小样本学习 / 多尺度特征 / 注意力机制 / 关系网络