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

基于样本对元学习的小样本图像分类方法

电子学报 2022年第2期50卷 295-304页

作者：李维刚甘平谢璐李松涛武汉科技大学冶金自动化与检测技术教育部工程研究中心湖北武汉430081

本文针对小样本图像分类问题,提出一种基于样本对的元学习(Pairwise-based Meta Learning,PML)方法.利用传递迁移学习对预训练好的Resnet50模型进行微调,得到一个更适应小样本任务的特征编码器,将该特征编码器作为元学习模型的初始特征... 详细信息

本文针对小样本图像分类问题,提出一种基于样本对的元学习(Pairwise-based Meta Learning,PML)方法.利用传递迁移学习对预训练好的Resnet50模型进行微调,得到一个更适应小样本任务的特征编码器,将该特征编码器作为元学习模型的初始特征编码器来训练模型,进一步增强了元学习模型的泛化能力;同时,本文还基于支持集与查询集样本之间的相似性提出元损失函数(Meta Loss,ML),其考虑了特征空间中查询集所有样本的相互关系,以此来缩小正样本类内距离,增加正负样本类间距离,从而提高分类精度.实验结果表明,本文的方法在1-shot、5-shot任务上分别达到了77.65%、89.65%的分类精度,较最新的元学习方法Meta-baseline分别提高7.38%、5.65%.

关键词：小样本图像传递迁移学习元学习元损失函数

在线全文

学校读者我要写书评

暂无评论

改进胶囊网络的小样本图像分类算法

计算机科学与探索 2022年第10期16卷 2387-2394页

作者：王飞龙刘萍张玲李钢太原理工大学大数据学院山西晋中030600 太原理工大学软件学院山西晋中030600

为了解决胶囊网络不能对复杂的小样本图像进行有效分类的问题,提出一种将Darknet进行改进融入胶囊网络的分类模型。首先将Darknet改进为同时包含浅层与深层特征提取器的模型,浅层特征提取器采用5×5的卷积核以捕捉长距离的边缘轮廓特征... 详细信息

为了解决胶囊网络不能对复杂的小样本图像进行有效分类的问题,提出一种将Darknet进行改进融入胶囊网络的分类模型。首先将Darknet改进为同时包含浅层与深层特征提取器的模型,浅层特征提取器采用5×5的卷积核以捕捉长距离的边缘轮廓特征,深层特征提取器采用3×3的卷积核以捕捉更深层的语义特征,再将图像的浅层边缘特征与深层语义特征进行融合,以保留图像的有效特征;接着利用胶囊网络对图像有效特征进行向量化处理,解决特征空间表征能力缺失的问题;最后在损失函数中加入L2正则化项,避免模型的过拟合问题。实验结果表明,在小样本数据集上,该模型相比胶囊网络、DCaps模型分类准确率分别提升28.51个百分点和24.40个百分点,相比ResNet50、Xception等卷积神经网络分别提升21.57个百分点和18.02个百分点,显示该方法对复杂小样本图像分类性能提升明显;同时在大样本数据集上,该模型的分类性能也获得了一定程度的提升。

关键词：小样本图像胶囊网络 Darknet L2正则化项图像分类

在线全文

学校读者我要写书评

暂无评论

基于元学习的小样本图像智能分类方法研究

基于元学习的小样本图像智能分类方法研究

作者：宫禹华北电力大学

学位级别：硕士

深度学习在多个领域已经获得不错的成绩，但其成功取决于可用数据的数量和计算资源的能力。由于有效标注数据获取困难、标注代价高昂，使得传统深度学习方法对一些特定情况下的图像分类任务不具有普适性，这便极大地限制了深度学习在小... 详细信息

深度学习在多个领域已经获得不错的成绩，但其成功取决于可用数据的数量和计算资源的能力。由于有效标注数据获取困难、标注代价高昂，使得传统深度学习方法对一些特定情况下的图像分类任务不具有普适性，这便极大地限制了深度学习在小样本情况下的研究与应用。近几年，元学习技术被人们所关注，在图像处理领域被广泛应用，但是也存在诸如数据不平衡问题、特征提取网络性能较差、特征提取网络无法同时学习高层语义信息与低层特征信息等问题。针对上述问题，本文主要关注在小样本情况下，将元学习应用于图像分类任务，具体研究内容和成果如下：　　首先，针对小样本学习在现实世界中数据不平衡问题，对基于元学习的MAML算法进行改进优化。设计数据集编码器和平衡变量生成器学习统计信息，并通过统计信息生成两个平衡变量用于模型优化部分，调整模型针对某一类别的学习率，降低数据不平衡所带来的影响。　　其次，针对特征提取网络性能较差的问题，为每个输入动态生成卷积核，进行自适应卷积操作，使特征提取能力得以提高。并使用嵌入传播作为流形平滑的正则化器置于特征提取网络顶层，扩展决策边界范围以及增强类别的信息表示。实验表明，在miniImagenet和tiredImagenet两个数据集上，1-shot、5-shot条件下，特征提取网络为CONV-4时，相比EPNet模型，分类准确率分别提升2.04%、3.20%，4.61%、3.61%。　　再次，针对基于度量的元学习方法中，特征提取网络无法同时学习高层语义信息与低层特征信息的问题，本文在关系网络的基础上设计一种多尺度加权特征融合提取网络，通过改进后的多尺度加权特征融合模块，融合尺寸不同、层级不同的特征图，以增强网络特征提取能力。　　最后，为进一步增强特征提取网络学习的目的性，在其顶层部分引入通道注意力机制以及空间注意力机制，对通道级、像素级特征施加注意力权重，达到用有限的注意力资源从大量信息中快速筛选出高价值信息的目的，增强了模型的特征提取能力。文中所设计功能模块的有效性使用消融实验进行证明。在标准小样本数据集上进行1-shot、5-shot实验，实验表明，在miniImagenet和tiredImagenet两个数据集上，1-shot、5-shot条件下，分类准确率相比于EPCINet模型分别有了0.47%、1.08%，1.71%、0.60%的进一步提升。

关键词：小样本图像智能分类元学习特征提取

基于卷积神经网络的小样本图像分辨率改进方法

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

电子技术与软件工程 2020年第14期 165-167页

作者：樊国华中国石油大学胜利学院山东省东营市257000

本文将已有的图像分类网络模型与视觉识别算法相结合,改进了模型。对原始三层卷积神经网络进行卷积调整,调整核大小,减小参数;增加图层,降低维数,降低计算复杂度;提高学习率,增加输入子块,缩短训练时间;扩展图像训练库,扩大训练库功能,... 详细信息

本文将已有的图像分类网络模型与视觉识别算法相结合,改进了模型。对原始三层卷积神经网络进行卷积调整,调整核大小,减小参数;增加图层,降低维数,降低计算复杂度;提高学习率,增加输入子块,缩短训练时间;扩展图像训练库,扩大训练库功能,提高训练效率。实验结果表明,该改进方法具有良好的分辨率,其主观视觉效果和客观评价指标都得到了很大的改善,图像的清晰度和边缘锐度也得到了很大的提高。

关键词：卷积神经网络小样本图像分辨率改进方法

在线全文

学校读者我要写书评

暂无评论

基于卷积神经网络的图像分类算法研究

基于卷积神经网络的图像分类算法研究

作者：严家金安徽理工大学

学位级别：硕士

近年来,深度学习作为一种新兴的机器学习技术,以其在图像特征学习方面的优异性能而受到人们的重视,其中以卷积神经网络为代表的深度学习模型在图像识别与分类上有着令人称赞的成果。卷积神经网络虽然能够很好的提取到图像更深层的语义信... 详细信息

近年来,深度学习作为一种新兴的机器学习技术,以其在图像特征学习方面的优异性能而受到人们的重视,其中以卷积神经网络为代表的深度学习模型在图像识别与分类上有着令人称赞的成果。卷积神经网络虽然能够很好的提取到图像更深层的语义信息,但不能自主学习,即不能关注重点信息和忽略无用的信息。另外在实际应用中,根本无法获得大量样本数据,这就是小样本问题,但以卷积神经网络为代表的深度学习模型需要大量的样本数量去训练才能获得良好的性能,并不能有效的去解决小样本问题。基于此,本文以卷积神经网络模型为理论基础,开展了以下的研究工作:(1)引入了注意力机制。为了让模型学会关注重点信息,而忽略无用的信息,让图像分类更加准确、高效,因此本文引入了注意力机制。本文设计了双向注意机制模块(BDA),双向注意机制模块不仅能保持通道的关键信息,而且还能保持空间背景的信息,能更为准确的确定各通道的重要性,让神经网络将注意力集中在特定的通道上,增加对当前任务的帮助,减少对当前任务的负面影响,从而让图像分类更加准确、高效。将BDA与三个最经典ResNet、Inception、VGG模型相融合,进行了大量的实验,结果表明了双向注意机制模块能有效地提升网络模型的性能。(2)针对小样本图像分类问题上,本文提出了主动数据增强学习与并行全连接网络分类器相结合的策略。首先通过迁移学习将融合BDA的ResNet、Inception、VGG网络模型进行迁移,再通过主动数据增强学习策略可以在训练阶段有效缓解样本数量不足的问题,最后并行全连接网络分类器在分类环节提高分类器的性能。这三个环节相辅相成使得深度神经网络也能有效的进行小样本图像分类。最后实验结果表明,提出的策略在小样本数据集上是可行的、有效的,为小样本分类问题提供了一个研究思路。

关键词：注意力机制数据增强全连接网络图像分类小样本图像