公开(公告)号：CN115880524A

公开(公告)日：2023-03-31

申请号：CN202211460720.7

申请日：2022-11-17

Applicant: 苏州大学

Inventor： 张莉 ,  张非凡 ,  赵雷 ,  王邦军 ,  周伟达 ,  李映

IPC: G06V10/764 ,  G06V10/774 ,  G06V10/74 ,  G06V10/40 ,  G06V10/82

Abstract: 本发明涉及一种基于马氏距离损失特征注意力网络的小样本图像分类方法，包括对带标签的小样本图像数据集进行特征提取，得到训练集；将训练集中的样本输入至特征注意力网络进行训练，得到训练好的特征注意力网络；训练集向量通过训练好的特征注意力网络后求平均获得类的表示；对不带标签的小样本图像数据集进行特征提取，得到测试集，将测试集中的样本输入至训练好的特征注意力网络，得到新的特征向量，计算新的特征向量与类表示之间的马氏距离，其中马氏距离最小时所对应的类即表示对该样本的分类预测。本发明弥补了主干模型对于新任务特征重要性知识不足的缺点，使用马氏距离分类前通过特征注意力网络对特征赋予不同的权重，使得类内距离缩小、类内距离扩大，以此提升分类性能。

公开(公告)号：CN115880524B

公开(公告)日：2024-09-06

申请号：CN202211460720.7

申请日：2022-11-17

Applicant: 苏州大学

Inventor： 张莉 ,  张非凡 ,  赵雷 ,  王邦军 ,  周伟达 ,  李映

IPC: G06V10/764 ,  G06V10/774 ,  G06V10/74 ,  G06V10/40 ,  G06V10/82

Abstract: 本发明涉及一种基于马氏距离损失特征注意力网络的小样本图像分类方法，包括对带标签的小样本图像数据集进行特征提取，得到训练集；将训练集中的样本输入至特征注意力网络进行训练，得到训练好的特征注意力网络；训练集向量通过训练好的特征注意力网络后求平均获得类的表示；对不带标签的小样本图像数据集进行特征提取，得到测试集，将测试集中的样本输入至训练好的特征注意力网络，得到新的特征向量，计算新的特征向量与类表示之间的马氏距离，其中马氏距离最小时所对应的类即表示对该样本的分类预测。本发明弥补了主干模型对于新任务特征重要性知识不足的缺点，使用马氏距离分类前通过特征注意力网络对特征赋予不同的权重，使得类内距离缩小、类内距离扩大，以此提升分类性能。