小样本图像分类流程
数据集处理
让模型适应数据, 针对数据的特点进行建模
数据增强
量级扩增
数据量级的扩大
模式扩增
包含更多的语义特性
方式
旋转、加噪、裁剪、压缩等操作
利用生成模型生成新的样本或生成新的特征
通过函数变换,增加样本数量或者特征数量
特征提取
目的
适应数据分布建立特征提取模型
注意力机制
获得重点需要关注的目标区域, 然后抑制其他无用信息
记忆力机制
循环神经网络RNN
解决了短期记忆的问题
长短期记忆网络LSTM
解决了短期记忆和长期依赖的问题
应用
直接利用LSTM对图像进行编码, 提高图像特征的表示能力
利用读写控制器对记忆信息进行写入和读出
分类器
对特征进行相似性度量并对不同类别进行最大程度的区分
方法
KNN,支持向量机(SVM),近邻成分分析(NCA) 及其非线性方法 、基于集合的弱度量方法
小样本图像分类算法
迁移学习
目的
减小模型训练的代价,同