融合多粒度注意力特征的小样本分类模型

打开文本图片集

摘 要：在小样本分类任务中，现有的CNN模型存在特征提取不足、特征单一和小样本数据集类间差异化较弱的问题，导致分类精度较低。针对以上问题，提出一种融合多粒度注意力特征（fusion multi-granular attention feature，FMAF）的小样本分类模型。首先，该方法借鉴多粒度思想，重新设计CNN特征提取网络的架构来增强特征多样性；其次，在多粒度特征提取网络后添加自注意力层，提取多粒度图像特征中的关键特征，在多粒度注意力特征的基础上，借助特征融合方法融合多粒度注意力特征信息，突出关键特征，提高特征的表征力；最后，在两个经典的小样本数据集miniImageNet和tieredImageNet上进行了评估。（剩余16548字）