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  2021, Vol. 34 Issue (10): 941-956    DOI: 10.16451/j.cnki.issn1003-6059.202110007
“自适应分类与聚类学习”专题 最新目录| 下期目录| 过刊浏览| 高级检索 |
基于深度网络的快速少样本学习算法
代磊超1, 冯林1, 尚兴林1, 苏菡1, 龚勋2
1.四川师范大学 计算机科学学院 成都 610101
2.西南交通大学 计算机与人工智能学院 成都 611756
Fast Few-Shot Learning Algorithm Based on Deep Network
DAI Leichao1, FENG Lin1, SHANG Xinglin1, SU Han1, GONG Xun2
1. College of Computer Science, Sichuan Normal University, Chengdu 610101
2. School of Computing and Artificial Intelligence, Southwest Jiaotong University, Chengdu 611756

全文: PDF (1165 KB)   HTML (1 KB) 
输出: BibTeX | EndNote (RIS)      
摘要 少样本学习方法模拟人类从少量样本中学习的认知过程,已成为机器学习研究领域的热点.针对目前少样本学习迭代过程的任务量较大、过拟合现象严重等问题,文中提出基于深度网络的快速少样本学习算法.首先,利用核密度估计和图像滤波方法向训练集加入多种类型的随机噪声,生成支持集和查询集.再利用原型网络提取支持集和查询集图像特征,并根据Bregman散度,以每类支持集支持样本的中心点作为类原型.然后,使用L2范数度量支持集与查询图像的距离,利用交叉熵反馈损失,生成多个异构的基分类器.最后,采用投票机制融合基分类器的非线性分类结果.实验表明,文中算法能加快少样本学习收敛速度,分类准确率较高,鲁棒性较强.
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
代磊超
冯林
尚兴林
苏菡
龚勋
关键词 深度网络少样本学习Bregman散度度量学习    
Abstract:The cognitive process of the few-shot learning method simulating human learning from a small number of samples is one of the hotspots in the machine learning field. To solve the problems of large task volume and serious overfitting in the iterative process of the current few-shot learning methods, a fast few-shot learning algorithm based on deep network is proposed. Firstly, the kernel density estimation and image filtering methods are utilized to add multiple types of random noise to the training set to generate support sets and query sets. Then, the prototype network is applied to extract the image features of the support set and query set. According to the Bregman divergence, the center point of the support sample of each type of support set is employed as the class prototype. Then, the L2 norm is utilized to measure the distance between the support set and the query image. Multiple heterogeneous base classifiers are generated using cross-entropy feedback loss. Finally, the voting mechanism is introduced to fuse the nonlinear classification results of the base classifiers. Experiments show that the proposed algorithm speeds up the convergence of few-shot learning with higher classification accuracy and strong robustness.
Key wordsDeep Network    Few-Shot Learning    Bregman Divergence    Metric Learning   
收稿日期: 2021-07-26     
ZTFLH: TP 391.4  
基金资助:国家自然科学基金项目(No.61876158)、中央高校基本科研业务费科技创新项目(No.2682021ZTPY030)资助
通讯作者: 冯 林,博士,教授,主要研究方向为机器学习、数据挖掘.E-mail:fenglin@sicnu.edu.cn.   
作者简介: 代磊超,硕士研究生,主要研究方向为计算机视觉、模式识别.E-mail:daileichao@gmail.com.
尚兴林,硕士研究生,主要研究方向为机器学习.E-mail:1250919363@qq.com.
苏 菡,博士,教授,主要研究方向为模式识别、图像处理.E-mail:jkxy_sh@sicnu.edu.cn.
龚 勋,博士,教授,主要研究方向为计算机视觉、模式识别、医学图像处理.E-mail:xgong@swjtu.edu.cn.
引用本文:   
代磊超, 冯林, 尚兴林, 苏菡, 龚勋. 基于深度网络的快速少样本学习算法[J]. 模式识别与人工智能, 2021, 34(10): 941-956. DAI Leichao, FENG Lin, SHANG Xinglin, SU Han, GONG Xun. Fast Few-Shot Learning Algorithm Based on Deep Network. , 2021, 34(10): 941-956.
链接本文:  
http://manu46.magtech.com.cn/Jweb_prai/CN/10.16451/j.cnki.issn1003-6059.202110007      或     http://manu46.magtech.com.cn/Jweb_prai/CN/Y2021/V34/I10/941
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