模式识别与人工智能
2025年4月3日 星期四   首 页     期刊简介     编委会     投稿指南     伦理声明     联系我们                                                                English
模式识别与人工智能  2024, Vol. 37 Issue (10): 936-946    DOI: 10.16451/j.cnki.issn1003-6059.202410006
研究与应用 最新目录| 下期目录| 过刊浏览| 高级检索 |
基于局部对比学习与新类特征生成的小样本图像分类
陈宁1, 刘凡1, 董晨炜1, 陈峙宇1
1.河海大学 计算机与软件学院 南京 211100
Few-Shot Image Classification Based on Local Contrastive Learning and Novel Class Feature Generation
CHEN Ning1, LIU Fan1, DONG Chenwei1, CHEN Zhiyu1
1. College of Computer Science and Software Engineering, Hohai University, Nanjing 211100

全文: PDF (1573 KB)   HTML (1 KB) 
输出: BibTeX | EndNote (RIS)      
摘要 现有的图像分类方法通常依赖于大规模的标注数据,但当数据有限时,方法在局部特征表示能力和样本数量上都存在不足.为了缓解此问题,文中提出基于局部对比学习与新类特征生成的小样本图像分类方法.首先,引入局部对比学习,将图像表示为多个局部特征并进行监督对比学习,增强模型的局部特征表示能力.然后,通过全局对比学习,确保图像整体特征的可分性.最后,在对比学习的基础上,提出特征生成方法,利用基类数据的类别原型生成新类别的样本特征,有效缓解小样本条件下的数据不足问题.在公共数据集上的实验表明,文中方法性能较优.
服务
把本文推荐给朋友
加入我的书架
加入引用管理器
E-mail Alert
RSS
作者相关文章
陈宁
刘凡
董晨炜
陈峙宇
关键词 图像分类小样本图像分类对比学习监督对比学习特征生成    
Abstract:The existing image classification methods depend on large-scale manually annotated data. However, when data is limited, these methods suffer from deficiencies in both local feature representation and the number of samples. To address these issues, a method for few-shot image classification based on local contrastive learning and novel class feature generation is proposed. First, local contrastive learning is introduced to represent images as multiple local features and conduct supervised contrastive learning among these local features. Thus, the model capability to represent local features is enhanced. Second, global contrastive learning is employed to ensure the separability of the overall image features. Finally, a feature generation method is proposed to mitigate the data scarcity issue under few-shot conditions. Experiments on public datasets demonstrate the superiority of the proposed method.
Key wordsImage Classification    Few-Shot Image Classification    Contrastive Learning    Supervised Contrastive Learning    Feature Generation   
收稿日期: 2024-06-20     
ZTFLH: TP 391.4  
基金资助:国家自然科学基金项目(No.62372155)、航空科学基金项目(No.2022Z071108001)、教育部装备预研联合基金项目(No.8091B022123)、江苏省青蓝工程项目资助
通讯作者: 刘 凡,博士,教授,主要研究方向为计算机视觉、多媒体分析与理解.E-mail:fanliu@hhu.edu.cn.   
作者简介: 陈 宁,硕士研究生,主要研究方向为计算机视觉、图像分类、目标检测.E-mail:cn@hhu.edu.cn.董晨炜,硕士研究生,主要研究方向为深度学习、噪声关联.E-mail:dongchenwei@hhu.edu.cn.陈峙宇,硕士研究生,主要研究方向为计算机视觉、图像分类.E-mail:hhuczy@yeah.net.
引用本文:   
陈宁, 刘凡, 董晨炜, 陈峙宇. 基于局部对比学习与新类特征生成的小样本图像分类[J]. 模式识别与人工智能, 2024, 37(10): 936-946. CHEN Ning, LIU Fan, DONG Chenwei, CHEN Zhiyu. Few-Shot Image Classification Based on Local Contrastive Learning and Novel Class Feature Generation. Pattern Recognition and Artificial Intelligence, 2024, 37(10): 936-946.
链接本文:  
http://manu46.magtech.com.cn/Jweb_prai/CN/10.16451/j.cnki.issn1003-6059.202410006      或     http://manu46.magtech.com.cn/Jweb_prai/CN/Y2024/V37/I10/936
版权所有 © 《模式识别与人工智能》编辑部
地址:安微省合肥市蜀山湖路350号 电话:0551-65591176 传真:0551-65591176 Email:bjb@iim.ac.cn
本系统由北京玛格泰克科技发展有限公司设计开发 技术支持:support@magtech.com.cn