在小样本学习任务中,针对传统的骨干卷积网络在提取图像特征时,由于多层卷积忽视细节特征导致特征信息丢失,因而图像分类准确率不高的问题,提出了基于两阶段特征空间增强的小样本图像分类模型。首先,该模型在残差网络(residual network,ResNet) 12的底层引入中值增强的空间和通道注意力块(mecdian-enhancecd spatial and channel attention block,MESC);然后,该模型在ResNet 12的中高层引入空间组增强(spatial group-wise enhance,SGE)模块,提升卷积神经网络中的语义特征学习能力,使模型有效提取特征图关键信息。该模型通过增强有限的训练样本的特征表示来提高分类性能,增强模型对噪声的鲁棒性。结果表明,该模型在加州理工学院-加利福尼亚大学圣地亚哥分校鸟类(California Institute of Technology-University of California at San Diego birds,CUB)-200-2011数据集上,5类别1样本和5类别5样本2种参数设置下的分类准确率分别比分布传播图网络(distribution propagation graph network,DPGN)模型提高了约5.15%和1.92%;在分层图像网络(tiered ImageNet,tieredImageNet)数据集上,这2种参数设置下的分类准确率分别比DPGN模型提高了约1.04%和0.55%。该模型提升了小样本图像分类任务的性能。
暂无评论