首页 专利交易 科技果 科技人才 科技服务 国际服务 商标交易 会员权益 IP管家助手 需求市场 关于龙图腾
 /  免费注册
到顶部 到底部
清空 搜索

一种基于度量学习的小样本分类网络设计方法 

买专利卖专利找龙图腾,真高效! 查专利查商标用IPTOP,全免费!专利年费监控用IP管家,真方便!

申请/专利权人:电子科技大学

摘要:本发明针对小样本任务提出了一种创新性方法,集成了多尺度特征关系的度量学习、特征金字塔机制与多尺度特征关系度量网络,以增强分类性能。具体地,该方法通过提取具有高度区分性的特征并学习样本间的多尺度关系得分,利用“转换模块”在所构建的模型中融合不同尺度的特征,有效对接高层次抽象语义与低层次详细视觉特征,确保全局上下文与局部细节的均衡考虑。此外,设计的多尺度特征关系度量网络利用这些多尺度特征计算样本间精细关系得分,指导查询集目标的类别划分,从而在小样本条件下显著提升分类精度与泛化能力,为计算机视觉及模式识别领域的挑战提供了综合优化的解决方案。

主权项:1.一种基于度量学习的小样本分类网络设计方法其特征在于,包括以下步骤:步骤1:该图像分类系统结合了特征编码、多尺度特征金字塔和关系生成三大组件,基于改进的ResNet50模型。它能捕获多尺度特征,从高层语义到低层视觉细节,并通过多尺度金字塔结构实现特征的跨尺度融合,提升表现力。多尺度关系生成促进深层关联学习,强化了样本比较分析,尤其在小样本分类上效果显著,整体通过转换模块增强特征互补,极大提升了图像识别性能。步骤2:多尺度特征组合模块处理N-wayK-shot任务,将支持集内的样本特征融合为类别原型,并与查询集样本的多尺度特征一一配对,形成特征图对。此策略通过跨尺度和跨样本的特征关联分析,提升模型在小样本条件下的分类精度,为未知类别的识别提供有效信息。步骤3:多尺度关系度量网络通过一系列卷积模块,针对支持集和查询集的多尺度特征图,学习跨尺度特征关系,适应小样本分类。依据特征图尺度,网络动态调整卷积层数,浅层细化处理局部特征,深层概括宏观信息,并利用参数共享策略提升效率。经卷积、归一化、池化和全连接层处理后,综合各尺度特征计算查询样本与类别关系得分,有效指引分类决策,优化小样本学习性能。步骤4:本发明针对小样本分类问题,创新构建了度量学习网络,采用独特双组件损失函数,在优化类内紧密度和类间差异的同时,强化了对新样本的分类预测,尤其提升了在多类别小样本场景下的学习效率和性能,实现更佳的分类结果。

全文数据:

权利要求:

百度查询: 电子科技大学 一种基于度量学习的小样本分类网络设计方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。