基于特征关联分析和局部动态调整的少样本图像分类算法研究

作     者：曹任龙 

作者单位：广州大学 

学位级别：硕士

导师姓名：杨钊

授予年度：2024年

学科分类：08[工学] 080203[工学-机械设计及理论] 0802[工学-机械工程] 

主      题：少样本学习 特征关联 动态调整 局部特征 全局特征 

摘      要：随着深度学习技术的快速发展,基于深度学习的方法已广泛应用于计算机视觉、自然语言处理等领域。然而,这些方法通常需要大量数据集来进行训练,而现实应用中往往缺乏足够规模的数据集,导致训练效果不尽如人意。因此,近年来引起广泛关注的少样本学习(Few-shot Learning,FSL)成为一个热门研究方向。针对少样本学习的挑战,近期的许多研究采用基于局部特征的度量学习方法。这些方法利用局部信息来学习特征表示,在支撑样本和查询样本之间实现局部特征的语义对齐,从而在少样本图像分类任务中取得较为良好的效果。然而,这些方法未考虑到样本中的一些局部描述符可能携带与背景相关的信息,它们在衡量类别之间的差异过程中是不相关的,这可能会导致分类结果产生负面影响。因此,出于此考虑,本文在图像分类任务基础上提出了两种降低局部背景信息影响的少样本图像分类方法。具体如下: (1)本文首先提出一种基于特征关联分析的少样本图像分类方法(GL-FC)。对于一张输入图像,该方法首先利用全局特征和局部特征之间的联系,通过计算它们的余弦相似度来确定不同局部特征的重要性。其次,利用K近邻(K-Nearest Neighbor,KNN)思想找出每个局部特征的最近邻并计算相似度得分,再使用多层感知机(Multilayer Perceptron,MLP)网络自适应学习每个局部特征相似度得分的重要性,最终得到分类分数。通过在五个少样本学习数据集上进行广泛的实验,证明了该方法在降低背景相关局部特征影响方面有着良好的效果。 (2)本文随后提出一种基于局部动态调整的少样本图像分类方法(LDAN-FC)。对于一张输入图像,该方法首先同样利用全局特征和局部特征之间的联系,通过计算它们的余弦相似度来确定不同局部特征的重要性。在此基础上,接着采用动态调整技术来调节全局和局部特征之间的相似度分数矩阵的权重,即采用一个动态阈值提高对相对具有代表性的类相关局部特征的关注,并通过缩放函数调整局部特征的重要性。其次使用下采样的方式来丰富样本的局部信息,这有利于丰富样本的类相关信息。再者,该方法利用K近邻思想找出每个局部特征的最近邻并计算相似度得分,再使用多层感知机网络自适应学习每个局部特征相似度得分的重要性,最终得到分类分数。通过在五个少样本学习数据集上进行广泛的实验,证明了该方法进一步减少了背景相关局部特征的影响,并提高了模型对类相关局部特征的关注。 综上所述,本文针对减少背景相关局部特征的影响,提出了特征关联分析和局部动态调整的两种方法;且在五个基准数据集上进行的广泛实验结果表明,这两种方法证明并减少了背景相关局部特征对分类结果的负面影响,以及提高了模型对类相关局部特征的关注,为少样本学习未来的研究方向上提供了重要的学术和应用意义。与目前现有的方法相比,这些方法能够更好地处理背景相关局部特征的影响,从而达到更准确的结果。