通道注意力双线性度量网络

摘要

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。

关键词

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

基金资助

国家自然科学基金项目（62176110,U19B2036,62225601,U23B2052,62076093）; 甘肃省重点研发计划项目（22YF7GA130）; 河北省省级科技计划项目（SZX2020034）; 北京邮电大学优秀青年团队项目（2023QNTD02）; 兰州理工大学红柳杰出青年基金项目