计算机研究与发展

作者：张玲玲,陈一苇,吴文俊,魏笔凡,罗炫,常晓军,刘均,

关键词：小样本学习, 可解释性分析, 对比学习, 局部描述子, 图像识别,

不同于基于大规模监督的深度学习方法，小样本学习旨在从极少的几个样本中学习这类样本的特性，其更符合人脑的视觉认知机制.近年来，小样本学习受到很多学者关注，他们联合元学习训练模式与度量学习理论，挖掘查询集(无标记样本)和支持集(少量标记样本)在特征空间的语义相似距离，取得不错的小样本分类性能.然而，这些方法的可解释性偏弱，不能为用户提供一种便于直观理解的小样本推理过程.为此，提出一种基于区域注意力机制的小样本分类网络INT-FSL，旨在揭示小样本分类中的2个关键问题：1)图像哪些关键位置的视觉特征在决策中发挥了重要作用；2)这些关键位置的视觉特征能体现哪些类别的特性.除此之外，尝试在每个小样本元任务中设计全局和局部2种对比学习机制，利用数据内部信息来缓解小样本场景中的监督信息匮乏问题.在3个真实图像数据集上进行了详细的实验分析，结果表明：所提方法INT-FSL不仅能有效提升当前小样本学习方法的分类性能，还具备良好的过程可解释性.

来源：2021年第12期

《计算机研究与发展》期刊编辑部

查看计算机研究与发展杂志2021年第12期