文档摘要：由于小样本学习(Few-ShotLearning,FSL)中标记样本数量有限,为了避免过拟合,主干网络通常只能选择深度较浅、宽度较窄的轻量级网络,然而轻量级主干网络只能对图像进行浅层特征提取,特征提取的充分性并不足够.因此,本文提出了两种通过丰富特征提取的多样性来进行特征增强的方法:方法一,时域特征分析和频域特征分析相结合的特征分析方法;方法二,利用监督学习和无监督学习并存的学习方法.本文提出的这两种特征增强方法在小样本学习中的5-way1-shot设置下,分类准确率分别提高了0.27%和1.41%;在5-way5-shot设置下,分类准确率分别提高了5.72%和5.02%.
Abstract：DuetothelimitednumberoflabeledsamplesinFew-ShotLearning(FSL),inordertoavoidoverfitting,thebackbonenetworkusuallyhastochoosealightweightnetworkwithshallowdepthandnarrowwidth.However,thelightweightbackbonenetworkcanonlyextractshallowfeaturesoftheimage,andtheadequacyoffeatureextractionisnotenough.Therefore,thispaperproposestwomethodsforfeatureenhancementbyenrichingthediversityoffeatureextraction.Methodone,thefeatureanalysismethodcombiningtimedomainfeatureanalysisandfrequencydomainfeatureanalysis,methodtwo,thelearningmethodusingsupervisedlearningandunsupervisedlearningcoexist.Thetwofeatureenhancementmethodsproposedinthispaperimprovetheclassificationaccuracyby0.27%and1.41%respectivelyinthe5-way1-shotsettinginfew-shotlearning,and5.72%and5.02%respectivelyinthe5-way5-shotsetting.
作者：吴婕 张海翔Author：WUJie ZHANGHaixiang
作者单位：浙江理工大学计算机科学与技术学院,杭州310018
刊名：智能计算机与应用
Journal：IntelligentComputerandApplications
年，卷(期)：2024, 14(7)
分类号：TP273
关键词：小样本学习 特征增强 频域特征分析 无监督学习
Keywords：few-shotlearning featureenhancement frequencydomainfeatureanalysis unsupervisedlearning
机标分类号：TP391.41TP181TN957.52
在线出版日期：2024年7月22日
基金项目：国家自然科学基金，国家自然科学基金，浙江省自然科学基金项目，浙江省重点研发计划项目基于特征增强的小样本图像分类算法研究[
期刊论文] 智能计算机与应用--2024, 14(7)吴婕 张海翔由于小样本学习(Few-ShotLearning,FSL)中标记样本数量有限,为了避免过拟合,主干网络通常只能选择深度较浅、宽度较窄的轻量级网络,然而轻量级主干网络只能对图像进行浅层特征提取,特征提取的充分性并不足够.因此,本文提...参考文献和引证文献
参考文献
引证文献
本文读者也读过
相似文献
相关博文
关键词：小样本学习,特征增强,频域特征分析,无监督学习,
|
|
1
