【摘 要】
：
深度学习（Deep Learning）技术的快速发展,开启了未知的机器智能时代,也正逐渐并深刻地影响和改变着我们的日常生活。然而,深度学习技术需要依赖大量的带有标签的样本数据才能发挥其巨大的作用。实际应用中,获取大量带有标注的数据需要花费巨大的代价,且某些领域并不存在巨大的数据去适应深度学习模型进行训练。当训练数据量较少时,往往会造成模型过拟合。因此,小样本学习（Few-shot learning
论文部分内容阅读
深度学习（Deep Learning）技术的快速发展,开启了未知的机器智能时代,也正逐渐并深刻地影响和改变着我们的日常生活。然而,深度学习技术需要依赖大量的带有标签的样本数据才能发挥其巨大的作用。实际应用中,获取大量带有标注的数据需要花费巨大的代价,且某些领域并不存在巨大的数据去适应深度学习模型进行训练。当训练数据量较少时,往往会造成模型过拟合。因此,小样本学习（Few-shot learning）技术对于解决训练数据量不足的问题显得尤为重要,小样本图像分类（Few-shot Image Classification）作为小样本学习任务中的基础任务之一同样得到了研究者们的重视。本文在现有的小样本图像分类算法框架下,提出适用于小样本图像数据的分类算法。主要贡献如下:1.对现有的小样本图像分类算法进行归类根据不同的网络建模方式,将小样本图像分类算法分为卷积神经网络（Convolution Neural Network,CNN）模型和图神经网络（Graph Neural Networks,GNN）模型两大类,卷积神经网络模型主要基于CNN对图像数据建模,图神经网络模型进一步将CNN应用在图神经网络上。2.提出了基于交叉注意力的小样本图神经网络分类算法GNN由节点和边构成,可以表示复杂的样本关系,构建性能更强的网络模型。其节点初始特征由外部模块输入,对图网络的分类性能有着重要影响。为提高初始化图节点特征的表示性,本文提出使用交叉注意力对目标域特征的表示性进行增强。对支持集样本特征和查询集样本特征进行相似度关联,以在模型建立的过程中能够充分利用查询集的样本信息,并通过在图上的信息传递,来增强类内样本的相关性和类间样本的差异性,进而提升GNN的分类性能。3.提出了基于子空间的小样本图像分类算法通过距离度量的方式来对样本进行分类。在以往的样本特征度量方式中,或是度量成对样本间的距离,或是度量样本和类别间的距离。该算法提出了将使用交叉注意力机制对支持集样本特征和查询集样本特征进行信息关联,然后将其分别投影到子空间。不同的子空间表示不同的类别,通过度量待预测样本与子空间的距离,同时增大不同子空间的距离来区分不同类别的样本,从而提升模型的分类精度。综上,本课题总结了目前小样本图像分类算法的研究现状,并提出了两种适用于小样本图像数据的分类算法。
其他文献
图像超分辨率重建方法是通过硬件或软件的方式,将高分辨率图像从一系列相关的低分辨率图像中恢复出来的过程。当前,在实现图像超分辨率重建的方法中,机器学习和深度学习是两个对图像重建质量较好的方法。因此,本文基于这两种方法对图像重建算法进行了研究。基于邻域嵌入的自学习图像超分辨率算法是一种基于机器学习的算法。提取图像深层特征的超分辨率重建网络是一种基于深度学习的算法。本文对图像超分辨率研究的主要内容有:（
携能双向中继网络（Two-Way Relaying Network,TWRN）利用能量收集（Energy Harvesting,EH）技术,能够在完成高可靠性通信的同时延长中继节点的工作寿命。已有针对携能TWRN中系统中断性能的研究大多基于理想硬件假设,即不考虑各类损伤（如高功率放大非线性、射频电路噪声等）对收发机的影响。然而,在实际的通信网络中,收发机不可避免地会遭受着诸多因素的影响。尽管已相继
人脑在人类情感的产生过程中起到了至关重要的作用,基于脑电（Electroencephalogram,EEG）的情绪识别研究日益得到国内外学者的关注。有效挖掘大脑的功能机制为情绪识别提供了新的见解,对系统级视角下理解人脑组织的连接模式以及情绪产生的方式至关重要。认识人脑不同脑区在功能上分工与协同的规律是情绪分析的关键,然而现有的情绪识别研究在这一方面存在两个不足之处:研究者对于大脑的探究多从能量角度
视觉跟踪是计算机视觉领域的一个重要研究方向,在自动驾驶、军事侦察、视频监控、人机交互、无人机等领域都有广泛的应用。视觉跟踪的主要目的是在视频序列中,根据给定的初始目标信息在后续视频序列中预测该目标的位置、尺度、运动状态等信息。近年来,越来越多的研究人员从事跟踪算法的研究,各类跟踪算法在跟踪性能上都不断提升,但在目标遮挡、光照变化、快速运动、目标形变等复杂场景下的跟踪性能仍不够理想,所以,对跟踪算法
大规模多输入多输出（Multiple-Input Multiple-Output,MIMO）技术通过在基站端布置大量天线,利用信道之间的渐近正交性,可以有效消除用户间干扰,同时给通信系统带来巨大的性能提升,而成为5G的关键技术并被广泛使用。在大规模多用户MIMO（Multi-User MIMO,MU-MIMO）系统中,不正确的用户分组会引起严重的用户间干扰,因此多用户选择对大规模MIMO系统性能至
水是人类生产活动和社会发展中不可缺少的重要资源。但近年来随着城市化和工业化步伐的加快,导致水污染问题日益突出,水质监测已经成为水资源保护和利用的关键问题。我国是传统的农业大国,农业生态环境的优劣与我国的可持续发展战略息息相关,这其中农业生产灌溉用水的安全性更是直接影响农作物品质。我国以全球8%的耕地面积养活全球20%的人口,创造“中国粮奇迹”根本原因之一是我国有40%的耕地类型为灌溉农田和建立在水
验证码的作用是区分人与机器,在互联网时代早期图像验证码具有非常好的效果。近年来,软件技术飞速发展,特别是深度学习方面的技术突破和硬件突破将AI技术引入了全新的时代。AI技术在图像识别和处理的优秀表现,给图像验证码的核心功能带来了严重挑战。相较于传统基于OCR技术的文字识别破解验证码,基于深度学习技术的破解系统破解的准确率更高、效果更好。于是各式新颖的验证码系统层出不穷,但这些新兴验证码操作逻辑不够
随着大数据时代的来临,需要分析处理的数据程指数型增长。降维技术作为数据挖掘预处理技术的重要组成部分,它能有效地减少学习算法的计算复杂度,从而使得传统的学习算法处理大规模数据成为可能。而特征选择作为降维技术的一种,因为其降维后的数据具有可读性高以及不改变数据结构的特点,被广泛应用于各个领域。该方法的步骤主要分为两个部分,生成特征聚类结果和聚类后的特征选择。但是在基于聚类的特征选择算法中依旧存在以下四
随着计算机技术的飞速发展以及人们对智能化设备需求的提高,人体行为识别已经成为计算机视觉领域热门研究方向之一,其广泛应用于公共安防、人机交互、虚拟现实、体育运动和医疗健康等领域,具有极高的理论研究价值。早期的研究工作主要针对于RGB视频图像,由于易受复杂背景、光照强度的影响,很难达到理想效果。但随着深度传感器技术的发展,高精度获取三维骨架关节点信息变得方便可行。对比传统RGB视频图像数据,骨架姿势信
第五代移动通信系统的迅速发展为构建天空、海洋、陆地一体的战略网络蓝图带来了契机与动力,将具备高速率、低延时、大容量等特点的5G技术与卫星移动通信的融合已成为大势所趋。`星座组网中低轨卫星星座以其通信距离短,波束范围广等优势在未来天地一体化通信系统组网蓝图当中占据着至关重要的地位。在5G NR（New Radio）的相关技术中,随机接入技术是实现用户上行初始同步,有效建立星地数据传输链路的关键前提。