基于自适应原型特征类矫正的小样本学习方法.pdfVIP

第

51

卷

第

2

期自

动

化

学

报Vol.

51,

No.

2

2025

年

2

月ACTA

AUTOMATICA

SINICAFebruary,

2025

基于自适应原型特征类矫正的小样本学习方法

1,

21,

21,

21,

2

赵

红

钟杨清

金

杰

邹林华

摘要针对小样本学习过程中样本数量不足导致的性能下降问题,

基于原型网络(Prototype

network,

ProtoNet)的小

样本学习方法通过实现查询样本与支持样本原型特征间的距离度量,

从而达到很好的分类性能.

然而,

这种方法直接将支持

集样本均值视为类原型,

在一定程度上加剧了对样本数量稀少情况下的敏感性.

针对此问题,

提出了基于自适应原型特征类

矫正的小样本学习方法(Few-shot

learning

based

on

class

rectification

via

adaptive

prototype

features,

CRAPF),

通过

自适应生成原型特征来缓解方法对数据细微变化的过度响应,

并同步实现类边界的精细化调整.

首先,

使用卷积神经网络构

建自适应原型特征生成模块,

该模块采用非线性映射获取更为稳健的原型特征,

有助于减弱异常值对原型构建的影响;

然

后,

通过对原型生成过程的优化,

提升不同类间原型表示的区分度,

进而强化原型特征对类别表征的整体效能;

最后,

在3

个广泛使用的基准数据集上的实验结果显示,

该方法提升了小样本学习任务的表现.

关键词小样本学习,

原型网络,

原型特征,

类矫正

引用格式

赵红,

钟杨清,

金杰,

邹林华.

基于自适应原型特征类矫正的小样本学习方法.

自动化学报,

2025,

51(2):

475−484

DOI

10.16383/j.aas.c240312

CSTR

32138.14.j.aas.c240312

Few-shotLearningBasedonClassRectificationviaAdaptivePrototypeFeatures

1,

21,

21,

21,

2

ZHAO

Hong

ZHONG

Yang-Qing

JIN

Jie

ZOU

Lin-Hua

AbstractIn

response

to

the

performance

degradation

issue

from

inadequate

sample

sizes

during

few-shot

learning,

prototypical

network

(ProtoNet)-based

few-shot

learning

methods

achieve

commendable

classification

capabilities

by

measuring

the

distance

metrics

between

query

sample

features

and

the

prototype

features

of

support

samples.

However,

this

method

directly

treats

the

mean

of

the

support

set

samples

as

class

prototypes,

exacerbating

sensitiv-

ity

to

scarcity