基于改进DPGN的少样本图像分类算法研究

摘要

DPGN(distribution propagation graph network)是基于深度学习的少样本图像分类算法，在数据稀疏的条件下可以顺利完成图像分类，但其分类的准确率仍需进一步提升。以DPGN算法为研究对象，提出SFOD＿DPGN(SinAM＿FRN＿layer＿ODConv＿DM&EMD＿distribution propagation graph network)算法。在骨干神经网络Resnet12的残差块中融入注意力机制；将Resnet12网络中批量归一化与ReLu激活函数搭配使用的方式改为滤波器响应归一化与阈值线性单元激活函数搭配使用的方式；在分类器模块中选用全维动态卷积替换普通卷积；使用马氏距离和推土机距离替换L2距离度量函数。在CUB-200-2011数据集上的实验表明，在5way-1shot和5way-5shot分类任务下，SFOD＿DPGN算法比DPGN算法的准确率提升约7.97%和2.66%。

关键词

深度学习 / 少样本图像分类 / 注意力机制 / 全维动态卷积 / 马氏距离 / 推土机距离

基金资助

吉林省自然科学基金项目(20210101413JC)