編號：FTJS09584
篇名：基于自適應(yīng)特征融合的小樣本細(xì)粒度圖像分類
作者：解耀華 章為川 任劼 景軍鋒
關(guān)鍵詞： 小樣本學(xué)習(xí) 細(xì)粒度圖像分類 自適應(yīng)特征融合 注意力機制
機構(gòu)： 西安工程大學(xué)電子信息學(xué)院 陜西省人工智能聯(lián)合實驗室西安工程大學(xué)分部
摘要： 現(xiàn)有的小樣本學(xué)習(xí)算法未能充分提取細(xì)粒度圖像的特征,導(dǎo)致細(xì)粒度圖像分類準(zhǔn)確率較低。為了更好地對基于度量的小樣本細(xì)粒度圖像分類算法中提取的特征進行建模,提出了一種基于自適應(yīng)特征融合的小樣本細(xì)粒度圖像分類算法。在特征提取網(wǎng)絡(luò)上設(shè)計了一種自適應(yīng)特征融合嵌入網(wǎng)絡(luò),可以同時提取深層的強語義特征和淺層的位置結(jié)構(gòu)特征,并使用自適應(yīng)算法和注意力機制提取關(guān)鍵特征。在訓(xùn)練特征提取網(wǎng)絡(luò)上采用單圖訓(xùn)練和多圖訓(xùn)練方法先后訓(xùn)練,在提取樣本特征的同時關(guān)注樣本之間的聯(lián)系。為了使得同一類的特征向量在特征空間中的距離更加接近,不同類的特征向量的距離更大,對所提取的特征向量做特征分布轉(zhuǎn)換、正交三角分解和歸一化處理。提出的算法與其他9種算法進行實驗對比,在多個細(xì)粒度數(shù)據(jù)集上評估了5 way 1 shot的準(zhǔn)確率和5 way 5 shot的準(zhǔn)確率。在Stanford Dogs數(shù)據(jù)集上的準(zhǔn)確率提升了5.27和2.90個百分點,在Stanford Cars數(shù)據(jù)集上的準(zhǔn)確率提升了3.29和4.23個百分點,在CUB-200數(shù)據(jù)集上的5 way 1 shot的準(zhǔn)確率只比DLG略低0.82個百分點,但是5 way5 shot上提升了1.55個百分點。
