基于度量学习的小样本图像分类探讨

数据集时，本文在嵌入模块、类别特征表征、度量方式上均有所改进。小样本图像数据集类别多，每类样本少，更需要有效地提取图像的特征，剔除无关特征的干扰，本文从通道和空间两个维度关注图像重要特征，提出多级注意力机制，分别得到通道注意力特征图和空间注意力特征图，使得嵌入模块抓取有价值的特征信息。本文还设计了权重融合模块，对将特征均值作为类特征表征的方法进行改进。不同的图像对分类结果的重要程度不同，需要赋予不同图像的权重来表征类级特征，有针对性地表示各类特征。在第三章中采用神经网络作为度量方式，面对不同的分类任务灵活调整网络参数，以完成分类。

（2）复杂度高的小样本图像数据集图像特点很明显，类内差距大，类间差距小，分类难度加大。图像受背景信息干扰一定程度上会阻碍复杂度高的小样本图像数据集的分类性能。本文提出目标定位模块来凸显图像的前景信息，尽可能地忽略图像背景信息，再经过特征提取模块提取特征，提取到的特征就会更关注图像所在的物体区域，便于度量和分类。本文借鉴原型网络中求特征均值表示类级特征的方法表示类级特征并为每个查询集图像分配伪标签。本文根据特征校准模块为查询集样本图像和所属类级特征之间计算关系矩阵，用查询集图像校准每个支持集类别表征，使得支持集图像特征根据查询集图像的特征关注共性区域，为每个局部描述子分配不同的权重。分类时，选取与查询集图像的每个局部描述子类别最近的几个进行度量分类。

参考文献（略）