基于多尺度标签传播的小样本图像分类

摘 要 在小样本条件下，由于低数据问题，即标记数据较少且难以收集，采用传统的深度学习很难训练出一个好的分类器.最近的研究中，基于低维局部信息度量方法和标签传播网络(transductive propagation network, TPN)算法取得了较好的分类效果，并且局部信息可以很好地度量特征与特征之间的关系，但是低数据问题依然存在.为了解决低数据问题，提出基于多尺度的标签传播网络(multi-scale label propagation network, MSLPN)方法，其核心思想在于利用多尺度生成器生成多个尺度的图像特征，通过关系度量模块获得多个不同尺度特征下的样本相似性得分，并通过集成不同尺度的相似性得分获得分类结果，具体地，方法首先通过多尺度生成器生成不同尺度的图像特征，然后利用多尺度信息的相似性得分进行标签传播，最后通过多尺度标签传播结果计算获得分类结果.与TPN相比，在数据集miniImageNet上，5-way 1-shot和5-way 5-shot设置中的分类准确率分别提高了2.77%和4.02%；在数据集tieredImageNet上，5-way 1-shot和5-way 5-shot设置中分类准确率分别提高了1.16%和1.27%.实验结果表明，利用多尺度特征信息可有效提高分类准确率.

关键词 小样本学习；度量学习；多尺度特征；特征增