计算机应用研究

作者：韩岩奇,苟光磊,李小菲,朱东华,

单位：重庆理工大学a.计算机科学与工程学院;b.大数据与人工智能实验室,重庆400054；

关键词：小样本学习,多粒度特征融合,自注意力机制,标签传播,

基金：国家自然科学基金资助项目(62141201)；重庆市教委科学技术研究项目(202201102)；；

在小样本分类任务中，现有的CNN模型存在特征提取不足、特征单一和小样本数据集类间差异化较弱的问题，导致分类精度较低。针对以上问题，提出一种融合多粒度注意力特征（fusion multi-granular attention feature，FMAF）的小样本分类模型。首先，该方法借鉴多粒度思想，重新设计CNN特征提取网络的架构来增强特征多样性；其次，在多粒度特征提取网络后添加自注意力层，提取多粒度图像特征中的关键特征，在多粒度注意力特征的基础上，借助特征融合方法融合多粒度注意力特征信息，突出关键特征，提高特征的表征力；最后，在两个经典的小样本数据集miniImageNet和tieredImageNet上进行了评估。实验结果表明，FMAF方法能有效提升分类的准确度和效率。

来源：2024年第7期

《计算机应用研究》期刊编辑部

查看计算机应用研究杂志2024年第7期