类别语义相似性监督的小样本图像识别

作     者：徐鹏帮 桑基韬 路冬媛 Xu Pengbang;Sang Jitao;Lu Dongyuan

作者机构：北京交通大学计算机与信息技术学院北京100044 对外经济贸易大学信息学院北京100029 

出 版 物：《中国图象图形学报》 (Journal of Image and Graphics)

年 卷 期：2021年第26卷第7期

页      面：1594-1603页

核心收录：

学科分类：081203[工学-计算机应用技术] 08[工学] 0835[工学-软件工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

基　　金：中央高校基本科研业务费专项资金资助(2020JBM016,2018JBZ006,2019JBZ110) 国家自然科学基金项目(61832002,61672518) 北京市杰出青年基金(JQ20023) 对外经济贸易大学优秀青年学者资助项目(17YQ21) 

主　　题：小样本学习 图像识别 特征表示 类别语义相似性监督 泛化能力 

摘      要：目的现有的深度学习模型往往需要大规模的训练数据,而小样本分类旨在识别只有少量带标签样本的目标类别。作为目前小样本学习的主流方法,基于度量的元学习方法在训练阶段大多没有使用小样本目标类的样本,导致这些模型的特征表示不能很好地泛化到目标类。为了提高基于元学习的小样本图像识别方法的泛化能力,本文提出了基于类别语义相似性监督的小样本图像识别方法。方法采用经典的词嵌入模型GloVe(global vectors for word representation)学习得到图像数据集每个类别英文名称的词嵌入向量,利用类别词嵌入向量之间的余弦距离表示类别语义相似度。通过把类别之间的语义相关性作为先验知识进行整合,在模型训练阶段引入类别之间的语义相似性度量作为额外的监督信息,训练一个更具类别样本特征约束能力和泛化能力的特征表示。结果在miniImageNet和tieredImageNet两个小样本学习基准数据集上进行了大量实验,验证提出方法的有效性。结果显示在miniImageNet数据集5-way 1-shot和5-way 5-shot设置上,提出的方法相比原型网络(prototypical networks)分类准确率分别提高1.9%和0.32%;在tieredImageNet数据集5-way 1-shot设置上,分类准确率相比原型网络提高0.33%。结论提出基于类别语义相似性监督的小样本图像识别模型,提高小样本学习方法的泛化能力,提高小样本图像识别的准确率。