韩梦雅,
杨娟,,
薛丽霞,
胡敏
合肥工业大学计算机与信息学院 合肥 230009
基金项目:国家自然科学基金(61672202)，国家自然科学基金-深圳联合基金(U1613217)
详细信息
作者简介:汪荣贵：男，1966年生，教授，研究方向为智能视频处理与分析、视频大数据与云计算等
韩梦雅：女，1996年生，硕士生，研究方向为深度学习、计算机视觉等
杨娟：女，1983年生，讲师，研究方向为视频信息处理、视频大数据处理技术等
薛丽霞：女，1976年生，副教授，研究方向为视频大数据检索与分析
胡敏：女，1967年生，教授，研究方向为计算机视觉、数字图像处理等
通讯作者:杨娟 yangjuan@hfut.edu.cn
中图分类号:TN911.73;?TP391.41计量
文章访问数:4687
HTML全文浏览量:1801
PDF下载量:202
被引次数:0
出版历程
收稿日期:2019-04-11
修回日期:2019-09-05
网络出版日期:2019-09-17
刊出日期:2020-03-19
Multi-level Attention Feature Network for Few-shot Learning
Ronggui WANG,Mengya HAN,
Juan YANG,,
Lixia XUE,
Min HU
School of Computer and Information, Hefei University of Technology, Hefei 230009, China
Funds:The National Natural Science Foundation of China (61672202), The State Key Program of National Natural Science Foundation of China-Shenzhen Joint Foundation (U1613217)
摘要
摘要:针对目前基于度量学习的小样本方法存在特征提取尺度单一，类特征学习不准确，相似性计算依赖标准度量等问题，该文提出多级注意力特征网络。首先对图像进行尺度处理获得多个尺度图像；其次通过图像级注意力机制融合所提取的多个尺度图像特征获取图像级注意力特征；在此基础上使用类级注意机制学习每个类的类级注意力特征。最后通过网络计算样本特征与每个类的类级注意力特征的相似性分数来预测分类。该文在Omniglot和MiniImageNet两个数据集上验证多级注意力特征网络的有效性。实验结果表明，相比于单一尺度图像特征和均值类原型，多级注意力特征网络进一步提高了小样本条件下的分类准确率。
关键词:图像处理/
多尺度图像/
小样本学习/
多级注意力特征/
相似性度量
Abstract:Existing few-shot methods have problems that feature extraction scale is single, the learned class representations are inaccurate, the similarity calculation still relies on standard metrics. In order to solve the above problems, multi-level attention feature network is proposed. Firstly, the multiple scale images are obtained by scale processing, the features of multiple scale images are extracted and the image-level attention features are obtained by the image-level attention mechanism to fusion them. Then, class-level attention features are learned by using the class-level attention mechanism. Finally, the classification is performed by using the network to compute the similarity scores between features. The proposed method is evaluated on the Omniglot dataset and the MiniImagenet dataset. The experimental results show that multi-level attention feature network can further improve the classification accuracy under small sample conditions compared to the single-scale image features and average prototypes.
Key words:Image processing/
Multi-scale images/
Few-shot learning/
Multi-level attention feature/
Similarity metric
PDF全文下载地址:
https://jeit.ac.cn/article/exportPdf?id=b0ef7180-3a5e-4ba9-80b7-f4fc991046cd
