检索结果-南通市图书馆

在线全文

学校读者我要写书评

暂无评论

基于对比学习的小样本金属表面损伤分类

计算机工程 2024年第3期50卷 36-43页

作者：吴冠荣李元祥王艺霖陆雨寒陈秀华上海交通大学航空航天学院上海200240

现有小样本分类方法局限于从每轮支持信息中归纳出类内共性,忽略了在迭代过程中类间关联性以及样本本身携带的类别信息。由于金属损伤纹理细微、多变,因此所形成的特征分布类间距离小、类内距离大。因特征分布聚合性差导致小样本分类性... 详细信息

现有小样本分类方法局限于从每轮支持信息中归纳出类内共性,忽略了在迭代过程中类间关联性以及样本本身携带的类别信息。由于金属损伤纹理细微、多变,因此所形成的特征分布类间距离小、类内距离大。因特征分布聚合性差导致小样本分类性能降低且新类泛化性变差,提出一种基于内外双层训练模型架构的小样本金属表面损伤分类方法。内模型在利用度量手段完成元分类任务的同时,引入双模态特征作为外模型特征空间的信号,即在新映射空间下利用类别标签信息有监督地对比不同类别的图像特征、优化特征分布,使类间区分度更大、类内聚合度更高。在训练阶段中外模型反传对比损失,间接加强原有特征空间的表征能力,从而提高内模型的度量水平,提升分类精度。同时,利用类别嵌入作为动态类别中心,可以有效减少小样本问题中的噪声干扰,加强模型泛化性能。在GC10、NEU及APSD 3个常用的金属损伤数据集上的实验结果表明,相比ProtoNet、MatchingNet、RelationNet等主流方法,该方法具有较优的分类精度,特别是新类别的泛化能力得到大幅提升,5-way 5-shot设定下分类精度至少提高了5.24、1.39和6.37个百分点,分类错误下降率分别为36.00%、17.94%和66.15%;此外,新类分类精度分别从36.53%、82.43%、31.89%提升至69.12%、91.57%、48.23%。5-way 1-shot设定下分类精度分别至少提高8.34、3.01和4.61个百分点,分类错误下降率分别为28.32%、23.37%和46.57%。

关键词：金属表面损伤对比学习度量学习元学习小样本分类

在线全文

学校读者我要写书评

暂无评论

融合空间信息和分布关系的东巴画小样本分类

计算机辅助设计与图形学学报 2023年第9期35卷 1417-1428页

作者：徐启豪钱文华云南大学信息学院计算机科学与工程系昆明650504

纳西族东巴画具有纹理复杂、色彩鲜明的艺术特点,是民族文化的重要组成部分.针对东巴画数量稀少且主题多样、细节丰富,现有的深度学习方法直接应用于东巴画分类任务时易导致模型分类准确率低、泛化性差等问题,提出一种融合空间信息和分... 详细信息

纳西族东巴画具有纹理复杂、色彩鲜明的艺术特点,是民族文化的重要组成部分.针对东巴画数量稀少且主题多样、细节丰富,现有的深度学习方法直接应用于东巴画分类任务时易导致模型分类准确率低、泛化性差等问题,提出一种融合空间信息和分布关系的东巴画小样本分类方法.首先采用一对独立的编码操作将空间信息聚合到通道注意力,获取具有方向感知和位置敏感的注意力特征图,准确定位东巴画目标区域;然后将特征图输入自适应元权重生成器,加强支持集与查询集样本之间的信息关联,增强特征的表达能力;最后构建双向图神经网络,显式地利用样本实例信息和分布关系,通过优化重构样本图特征进行分类预测.在3个自建的东巴画数据集上进行模型训练的实验结果表明,与其他小样本算法相比,所提方法的分类准确率分别提升9.79,5.76和8.21个百分点,可以更有效地提取东巴画分类所需的图像全局信息和细节特征,并能扩展至其他少数民族文化的保护与传承等领域.

关键词：小样本分类东巴画空间信息分布关系图神经网络

在线全文

学校读者我要写书评

暂无评论

基于小样本分类的光谱图像关联特征降维挖掘

计算机仿真 2023年第6期40卷 240-244页

作者：于春霞车银超黄河科技学院信息工程学院河南郑州450046 河南农业大学信息与管理科学学院河南郑州450046

光谱图像包含较多的空间样本信息,混合像元问题严重,同物异谱间影响明显,相邻波段的强相关性也导致图像高维特征易出现冗余,直接影响图像关联特征挖掘效果。为此,提出基于小样本分类的光谱图像关联特征挖掘方法。采用蒙特卡罗算法对光... 详细信息

光谱图像包含较多的空间样本信息,混合像元问题严重,同物异谱间影响明显,相邻波段的强相关性也导致图像高维特征易出现冗余,直接影响图像关联特征挖掘效果。为此,提出基于小样本分类的光谱图像关联特征挖掘方法。采用蒙特卡罗算法对光谱图像降维,并结合稀疏与低秩矩阵分解方法完成光谱图像去噪;基于此,建立光谱图像灰度共生矩阵,提取光谱图像角二阶矩、相关性、对比度、熵、相异性以及逆差矩光谱关联特征;通过支持向量机对获取的关联特征完成光谱图像的小样本分类,完成光谱图像的关联特征挖掘。实验结果表明,研究方法的光谱图像特征挖掘错误率低于2%,同类特征可显著聚类成团,且图像去噪效果明显。

关键词：小样本分类光谱图像关联特征挖掘图像去噪蒙特卡罗算法

在线全文

学校读者我要写书评

暂无评论

基于原型关系优化的小样本分类研究

基于原型关系优化的小样本分类研究

作者：陈哲浩杭州电子科技大学

学位级别：硕士

小样本分类是当前备受关注的一种有监督学习方法,能够有效减少深度学习模型所需标记数据的数量。基于原型度量的小样本分类方法关注度量空间中由少数支持样本获得的原型和查询样本之间的距离度量,然而支持样本的数量有限和不确定性导致... 详细信息

小样本分类是当前备受关注的一种有监督学习方法,能够有效减少深度学习模型所需标记数据的数量。基于原型度量的小样本分类方法关注度量空间中由少数支持样本获得的原型和查询样本之间的距离度量,然而支持样本的数量有限和不确定性导致原型与样本类簇真实中心的偏移会引起度量误差。为了应对基于原型度量的小样本分类中的挑战,本文开展了基于原型关系优化的小样本分类研究,主要工作如下:1.为了缓解原型偏移问题,利用多层原型关系网络优化原型度量,提出一种基于注意力调整和多层耦合的原型关系迭代优化网络。该方法涉及三个基本过程:(1)通过多层原型构造形成多层原型度量,充分利用支持样本中的可用信息;(2)利用层内调整和层间耦合原型关系网络,优化层内和层间原型关系,弱化不确定性的影响;(3)在多级层内调整和层间耦合原型关系网络级联结构中引入了原型细化机制,在多级迭代过程中不断优化原型关系以提升原型的鉴别能力。广泛的实验结果表明,本方法相较于基线(原型网络)有巨大提升,并在相同设置下达到了先进水平。2.为了缓解原型关系迭代优化过程中由于标记数据稀缺导致的模型过拟合问题,提出一种基于限定交叉注意力下的互信息最大化原型关系约束优化网络,该方法由基于限定交叉注意力的层间原型关系感知模块和基于互信息最大化的原型关系约束优化组成。基于限定交叉注意力的层间原型关系感知模块旨在通过每一层的主导原型限定优化感知的层间原型关系,降低与主导原型无关的异常值可能产生的负面影响。利用感知的层间原型关系中包含的异常值对主导原型进行优化会导致过拟合问题,因此通过基于互信息最大化的原型关系约束优化来确保感知层间原型关系的有效性,保证其与主导原型的目标一致性。广泛的实验结果表明,本方法能有效缓解过拟合问题,提升模型泛化能力。

关键词：小样本分类原型度量原型关系迭代优化原型关系约束优化

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于多粒度深度森林的小样本分类方法研究

基于多粒度深度森林的小样本分类方法研究

作者：赵欣瑞华中科技大学

学位级别：硕士

近年来,随着计算机算力的提升,深度学习由于其强大的非线性表征能力已经成功应用在文本分类,语音识别,图像分类等领域,并在图像分类任务上取得了巨大成功。然而,深度学习往往需要大量标签样本才能取得较好效果,这在实际应用场景中往往... 详细信息

近年来,随着计算机算力的提升,深度学习由于其强大的非线性表征能力已经成功应用在文本分类,语音识别,图像分类等领域,并在图像分类任务上取得了巨大成功。然而,深度学习往往需要大量标签样本才能取得较好效果,这在实际应用场景中往往难以满足。因此,使用少量标签样本的小样本图像分类算法逐渐成为图像分类领域的研究热点。但是,目前的小样本分类方法大多基于深度神经网络,这类方法往往参数量较大,导致模型计算时间较长,且模型的黑盒性质使得其决策过程难以为人们所理解。为此,研究者们提出了一种新的树集成模型——深度森林,该模型具有超参较少、易于解释的优点,由于其级联层数可以自适应确定,在小数据集中也具有较好的分类效果。但是,目前基于深度深林的小样本分类方法仍然面临建模特征存在局部性以及未考虑样本噪声影响等问题。针对这些问题,本文提出了一种新的基于多粒度深度森林的小样本分类方法(MGDForest)。首先,MGDForest选择了参数数量少且能够自适应确定层数的深度森林作为分类模型,提高了分类的可解释性。其次,对数据进行了多粒度卷积特征增强,对完整样本进行全局性特征建模。此外,加入了基于CART的特征选择,以排除样本噪声对模型训练的影响。最后,加入了多层次融合分类,充分考虑了模型的每一层来提高分类性能。在MNIST、CIFAR-10和Mini-Image Net三个典型数据集上进行了大量实验。实验结果表明,所提出的MGDForest相较于对比实验的其他方法在小样本分类任务中具有更好的性能。此外,对模型进行了消融实验,验证了多粒度卷积、特征选择和多层次融合分类三个模块的有效性,并通过超参数实验说明了模型在数据集中的最优参数配置。最后,对模型进行了进一步的深入分析,展示了模型具有更好的可解释性。

关键词：小样本分类深度森林多粒度卷积特征选择

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

融合注意力机制的小样本分类模型研究

融合注意力机制的小样本分类模型研究

作者：郦子俊燕山大学

学位级别：硕士

小样本分类需要在极有限的带标数据中学习新类知识,该类算法可以缓解当前神经网络对数据的过度依赖,是一项极具价值和挑战性的研究。元学习策略在不同任务中学习通用知识,极大提升了机器学习方法在小样本分类中的表现。现有的小样本分... 详细信息

小样本分类需要在极有限的带标数据中学习新类知识,该类算法可以缓解当前神经网络对数据的过度依赖,是一项极具价值和挑战性的研究。元学习策略在不同任务中学习通用知识,极大提升了机器学习方法在小样本分类中的表现。现有的小样本分类倾向于加深网络或设计复杂的网络结构,仍面临着特征提取能力较弱以及过拟合的问题。受人类的注意机制启发,该文围绕小样本分类网络的中间表示、特征提取以及关系推理三个方面,提出以下三种改进方法:提出基于描述子选择的小样本分类方法。该方法包含无监督描述子选择模块以及特征聚合模块,用于注意目标相关特征并增强元学习特征的中间表示:无监督描述子选择模块通过无监督地定位语义相关区域,选取特征图中的描述子并剔除主干网络提取的无关特征。选择后的特征由任务相关的池化模块聚合,可以进一步地提升小样本分类网络的中间表示质量。在Caltech-UCSD Bird和mini Image Net数据集下不同深度网络的实验证明,提出的方法在获得优秀小样本分类表现的同时,还能用于其他网络模型,进一步提升小样本分类性能。提出基于局部自注意力特征提取的小样本分类模型。在测试阶段,卷积网络的小样本特征提取面临跨域问题,即偏向于提取基类信息,若基类与新类样本特征偏差较大,则无法有效地提取新类的特征。为了增强小样本分类网络提取特征的能力,本文使用基于自注意力机制的特征提取方法,可以在图像局部特征之间建立长距离的相关性,从而比较小样本之间的细节差异,显著减少度量空间中小样本的类内距离,增加类间距离。此外,该文针对小样本任务,加入了层次化模块以及窗口机制以减少网络参数,避免小样本分类网络过拟合。提出融合任务信息的小样本分类关系网络。首先分析了用于小样本图像分类的关系网络的缺陷,并在自注意力提取局部特征的基础上更近一步,利用了小样本任务中蕴含的关系。提出的基于自注意力的Saber Net包含三个模块:融合空间关系的特征提取模块、融合样本关系的原型自适应模块以及融合通道关系的特征对齐模块。Saber Net在三个小样本数据集均获得了当前最优的小样本图像分类准确率,证明关系推理极大提升了网络的小样本分类表现。

关键词：小样本分类元学习度量学习描述子选择自注意力机制

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于图神经网络的东巴画小样本分类

计算机辅助设计与图形学学报 2021年第7期33卷 1073-1083页

作者：黎克钱文华王成学徐丹云南大学信息学院计算机科学与工程系昆明650504

针对纳西族东巴画艺术形象线条突出、色彩分明、样本较少的特点,提出一种端到端的基于图神经网络的东巴画小样本分类方法.首先,设计多分辨率多尺度的图像特征提取网络,图像特征与边缘特征融合后嵌入图神经网络中作为节点,构建分类图神... 详细信息

针对纳西族东巴画艺术形象线条突出、色彩分明、样本较少的特点,提出一种端到端的基于图神经网络的东巴画小样本分类方法.首先,设计多分辨率多尺度的图像特征提取网络,图像特征与边缘特征融合后嵌入图神经网络中作为节点,构建分类图神经网络;其次,以边标记作为架构并采用二维边标记特征作为图像分类依据,保留节点分类时所需的类内相似性和类间相异性;最后,提出自注意力机制与特征显著性注意力机制相结合的方法更新节点特征,增强了节点之间的特征关联性.模型使用Python实现并用RTX2080Ti在自建东巴画数据集上进行实验,结果表明,所提方法较好地提取了东巴图像特征,保留了东巴画分类所需的图像局部细节和节点间相似性特征,与对比算法相比,提高了分类准确度,并有更低的分类精度标准差.

关键词：东巴画小样本分类边标记图神经网络特征显著性注意力

在线全文

学校读者我要写书评

暂无评论

添加均匀分布噪声的数据扰动小样本分类算法

科技通报 2013年第6期29卷 122-124页

作者：徐尽许昌学院计算机科学与技术学院河南许昌461000

小样本分类问题由于包含的训练样本个数比较少,通常不足以训练一个理想的分类模型。小样本分类问题普遍存在于现实世界中,因此提高分类器在小样本分类问题上的性能就成为了研究的热点。本文针对该问题,提出了一种添加均匀分布噪声的数... 详细信息

小样本分类问题由于包含的训练样本个数比较少,通常不足以训练一个理想的分类模型。小样本分类问题普遍存在于现实世界中,因此提高分类器在小样本分类问题上的性能就成为了研究的热点。本文针对该问题,提出了一种添加均匀分布噪声的数据扰动小样本分类算法。该算法首先对每一个原始样本添加一个服从均匀分布的噪声,对原始数据进行一定程度的扰动。然后在所获得的扰动数据集上训练分类模型。在UCI标准数据集上的仿真实验表明,本文算法较传统分类方法,能更有效地提高小样本分类问题的分类性能。

关键词：小样本分类均匀分布噪声数据扰动

在线全文

学校读者我要写书评

暂无评论

基于图神经网络的东巴画小样本分类研究

基于图神经网络的东巴画小样本分类研究

作者：黎克云南大学

学位级别：硕士

纳西族东巴画是中国少数民族文化的瑰宝,同样也是中国西南地区最具原始特色且风格特征十分独特的少数民族文化作品。在东巴画中有人物、动物、鬼、神等艺术形象,他们是典型的东巴画形象,来源于纳西族人民的日常生活和信仰崇拜。但东巴... 详细信息

纳西族东巴画是中国少数民族文化的瑰宝,同样也是中国西南地区最具原始特色且风格特征十分独特的少数民族文化作品。在东巴画中有人物、动物、鬼、神等艺术形象,他们是典型的东巴画形象,来源于纳西族人民的日常生活和信仰崇拜。但东巴画艺术作品地处偏远,当地经济发展较为落后,这些作品岁月悠久但是缺乏保护,存世量较少。东巴画作品分类对保护少数名族艺术作品和为东巴画进行艺术归档和数字化处理都很有意义。现有的图像分类方法或是基于图像底层特征,仅能对特定纹理风格进行分类但不能对具体形象作分类,或是基于深度神经网络,需要大量的数据集作为训练,对样本量、数据量较少的东巴画形象不适用。因此,本文针对纳西族东巴画中艺术形象线条突出,色彩分明,数量较少的特点,提出一种端到端的、基于图神经网络的小样本分类方法。首先,为了解决原图像转换为嵌入节点时信息提取不充分或信息遗失的问题,采用多分辨率多尺度的图像特征提取网络获得东巴画的特征,并将该特征与边缘特征融合后嵌入图神经网络中作为节点。其次,在图神经网络分类过程中,为了更全面的表示与保存节点分类时所需的关系信息,采用二维的边标记特征代替传统的一维边权值用作分类依据,使用二维的边特征可以同时保存两种节点间的关系信息,即更好的保留了节点分类时所需的类内相似性和类间相异性。再次,通过提出一种自注意力机制与显著特征注意力机制相结合的方法引导节点特征的更新,解决邻域节点特征聚合更新过程中存在的节点间特征联系不够紧密,以及缺少各特征的显著性判断筛选的缺点,使得节点特征更新过程更具有针对性和有效性。最后,通过幕式训练方法迭代训练,以类内相似性、类间相异性、特征显著性注意力以及节点特征进行传递,更新边标记特征,使边标记特征完整的反应节点间的类间关系,并获得所有节点间的边标记特征,并通过图中所有节点与待预测节点间边标记特征的权值获得最终分类。实验结果表明,本文提出的方法能更好的提取东巴画图像的特征,更好的保留了东巴画分类所需的局部细节和结构特征,在东巴画的小样本数据集上的分类准确度更好。

关键词：东巴画小样本分类边标记图网络显著特征注意力