引入局部特征对齐和原型修正的少样本图像分类模型

摘要

少样本学习是目前机器学习领域研究的热点问题.其目标是学习一个具有良好泛化能力的模型，在面对新类别时，该模型能够利用少量的标注图像来掌握新类别的概念.本文针对现有少样本模型仅单独使用全局特征或单独使用局部特征导致的信息未能充分利用问题，以及未考虑噪声影响导致样本服从不同分布假设问题，提出一种引入局部特征对齐和原型修正机制的少样本图像分类模型(ARNet).该模型首先通过卷积神经网络提取数据的全局和局部特征，进而利用最大均值差异对全局特征进行加权，从而对类原型进行修正.同时，为了能够充分利用局部特征，模型使用神经网络建模局部特征权重，进而实现局部特征的语义对齐.在多个少样本学习数据集上的实验结果表明，ARNet通过充分利用图像数据的全局和局部特征，获得了明显优于现有模型的分类精度.本文实验代码下载链接为https://github.com/zxCode6/ARNet.

关键词

少样本学习 / 全局特征 / 局部特征 / 特征对齐 / 原型修正

基金资助

国家自然科学基金青年基金项目(62006126,62202241)资助; 江苏省自然科学基金项目(BK20200740,BK20210586)资助; 南京邮电大学引进人才自然科学研究启动基金项目(NY221018)资助