基于度量学习的小样本学习方法研究.pdf

中文摘要

传统的图像分类在数据丰富的情况下可以很好地训练网络模型，但是在实际的

应用场景中可以作为训练样本的数据往往是有限的。为了应对这一复杂情况，小样

本学习被提出，它的目标是使用有限且少量的标记数据来识别从未见过的新类别。

而度量学习作为一种经典的方法现又为小样本学习的发展做出了巨大的贡献。然而

由于样本数量的稀少，再加上在传统的基于度量学习的小样本学习方法中经常使用

简单求均值来计算类原型，这样会使得求得的类原型会与真实原型之间产生偏差，

因此不具有代表性。因此本文的主要目标是研究一种可以对类原型进行校准的算法，

减小原有算法对类原型计算所产生的偏差。对此本文的主要工作如下：

（1）提出基于基类知识校准类原型的小样本学习方法。由于少量样本不能很好

的代表该类别的样本分布，而小样本学习中可用于训练的样本数量又非常有限，所

以计算得到的样本中心可能不是正确的位置。针对此问题，提出基于基类知识校准

类原型的小样本学习方法。图像通过嵌入网络获得多尺度特征，之后在基类样本和

新类支持集样本的特征向量分别平均求得原型后，使用本文所提出的语义信息对比

模块和混合特征加权度量模块进行筛选，找出与新类支持集原型相近的基类原型，

利用已经学习过的基类知识对新类支持集原型进行校准，使得它更接近真实的类原

型。最后使用校准后的类原型与查询集样本进行混合特征加权度量进行分类。通过

在miniImageNet数据集和CUB数据集上进行实验来证明网络模型的有效性。

（2）提出基于新类类原型聚合的小样本学习方法。在同个类别样本的分布空间

中，各个样本之间的距离远近是不同的，所以同类样本的分布可能是不均匀的。而

传统方法在计算类原型时使用简单的均值计算，这样就会导致在计算类原型时忽略

每个样本的贡献度，最终计算出有偏差的类原型。另外，由于样本数量的稀少导致

不能对图片进行充分的特征提取，使得模型泛化能力弱且分类精度降低。针对以上

问题，提出基于新类类原型聚合的小样本学习方法。其中聚合类原型模块根据样本

不同的远近分布为他们赋予不同的权重，以此计算更准确的类原型。此外本章提出

了新的嵌入网络CS-ResNet，由多尺度通道分割模块嵌入到ResNet-12网络中，并结

合注意力机制使模型具备在不同尺度上处理关键特征的能力。该方法同样在两个公

开数据集上进行实验，并且提升了分类效果。

3

（）基于前两章的模型开发了一个小样本图像分类系统。该系统提供了一个可

I

交互的界面，不仅可以直观地为用户展示模型的实时训练情况，而且可以让用户方

便地进行小样本图像分类任务。

关键词：小样本学习；度量学习；图像分类；类原型

II

ABSTRACT

Traditionalimageclassificationcaneffectivelytrainnetworkmodelswhendatais

abundant,butinpracticalapplicationscenarios,thedataavailablefortrainingisoften

limited.Toaddressthiscomplexity,few-shotlearninghasbeenproposed,aimingto

identifypreviouslyunseenclassesusinglimitedandfewlabeleddatasamples.Metric

learning,asaclassicalmethod,hasmadesignificantcontributionstothedevelopmentof

few-shotlearning.However,duetothescarcityofsamples,traditionalfew-shotlearning

methodsbasedonmetriclearningoftenusesimpleaveragingtocomputec