基于GNN的小样本分类算法研究

来源 :西安理工大学 | 被引量 : 0次 | 上传用户:fuyueliang
下载到本地 , 更方便阅读
声明 : 本文档内容版权归属内容提供方 , 如果您对本文有版权争议 , 可与客服联系进行内容授权或下架
论文部分内容阅读
随着人工智能的发展,基于深度学习的众多领域不再过分依赖于大量数据,其能够利用以往的经验针对新的问题从少量的样本中进行有效的学习。在现实中,人们也将必然面临更多数据不足的问题,因此如何让机器像人类一样能够通过已有的学习经验快速从少量标签样本中进行有效学习实现分类,成为一个重要的研究方向。在近几年,小样本的分类算法层出不穷,从迁移网络、度量空间以及数据增强等方向的研究都有了很多突破性的进展。但是,基于GNN的小样本分类算法现在还仍旧处于不断探索的状态,如何在标签数据短缺的情况下将样本的特征充分利用,如何在避免过拟合的情况下提升网络特征提取的效果,以及如何得到更适合网络初始化的边标注等方面的研究尚待进一步深入。因此,本文从挖掘隐含特征、特征注意以及初始边权值优化之间的潜在关联三个方面,展开了一系列研究。本文的主要工作和特色如下:(1)本文提出了边权单步记忆约束网络(ESMC),根据边权数据的隐含分布特征,设计新的图结构,并结合节点特征进行融合更新,实现有限样本数据下的特征丰富以及充分利用。(2)基于卷积块注意力机制,提出了通道注意力与空间注意力的不同集成方法,通过特征注意帮助模型提取样本中更具意义的特征。(3)本文提出自学习初始边权修改模块,通过将初始节点特征度量结果作为约束条件为网络寻找更合适的初始化边权参数,进一步提升模型的学习水平。最后,综合上述方法,本文在标准数据集上进行了各训练模式下的消融实验以及对比分析,得到的实验结果证明了本文方法的合理性以及创新性。
其他文献
我国作为人口大国,在耕地面积日益减少而工业建设、城市化进程不断加快的情况下,保障农作物的产量与品质是重中之重。植物水分利用率的测量对于耗水量低、抗旱性强、产量高的作物品种改良选育及产量预估都具有重要的参考意义。对于植物水分利用率探测的传统方法主要有人工测量、传感器接触测量两种,但其存在主观性强、重复性低、对植物造成损伤等缺点。而基于图像处理技术对作物进行监测不仅具有无损性和跟踪观测的优点,能够为水
激光选区烧结(Selective Laser Sintering,SLS)是最主要的增材制造技术之一,该技术具有选材广泛、无需支撑、成形速度快、能够成形复杂零件等优势,具有广泛的应用前景。在SLS工艺中,稳定的烧结点温度是保证成形件质量的重要因素。目前主要通过直接反馈控制来维持烧结点温度稳定,但实际效果并不理想。本文提出了 SLS中的烧结点温度预测控制方法,为实现该方法,对覆膜砂SLS温度场进行有
对生物细胞图像进行采集,是病理分析、疾病诊断、健康监测及药品研制中必不可少的重要手段。在社区医疗、远程医疗等即时诊断中,基于无透镜成像技术的细胞图像采集设备以其小型化、低成本等优点更有利于推广和普及。但与显微镜相比,其空间分辨率仍然较低,因此研究无透镜成像技术的超分辨率成像系统具有重要意义。本文在分析无透镜成像系统研究现状的基础上,针对单线阵超分辨率扫描成像存在的问题,提出了一种基于双线阵图像传感
人机交互技术(Human-Computer Interaction,HCI)已成为21世纪信息领域亟需解决的重大课题和当前信息产业竞争的一个焦点,世界各国都将人机交互技术作为重点研究的一项关键技术。本课题面向机械装配作业,以减速器轴系的装配为研究对象,展开对装配作业中作业手势的识别研究工作,分析装配作业中手部的变化,结合装配作业手势复杂多变、遮挡、混叠、姿态相似等特点,对装配作业手势数据进行双维度
大尺寸超薄玻璃基板是战略新兴产业-电子信息显示产业最重要的基础材料之一,其生产过程中出现高度变化过大的问题,导致信息显示器件关键组件的缺陷,直接影响所显示图形的质量,甚至造成次品和废品的产生。因此,针对玻璃基板表面高度信息获取方法的研究就至关重要。目前主要采用非接触式测量,其中光谱共焦技术因在测量中具有快速性、准确性高等特点得到更多的关注。本文提出基于光谱共焦测量原理的玻璃基板表面高度信息获取的方
分析细胞的形态参数在疾病诊断、健康监测中具有非常重要的意义。而在智慧医疗、即时检测等应用中,无透镜成像系统以其成本低、便携性好等特点表现出强大的优势。但获取细胞形态参数的常规方法难以用于无透镜成像系统,因此研究针对该系统采集的细胞图像进行细胞边缘检测的方法具有重要的意义。无透镜成像系统在采集微小样品时存在的衍射干扰会掩盖采集样品的真实形态信息,不能直接获得形态参数。但采集图像中的衍射是由于光在遇到
运动物体视频图像包含着许多重要的信息数据,而高速运动物体由于速度较快,其运动图像存在采集失真、处理复杂以及分析效果差等方面的问题。本课题以高速运动物体为研究对象,分别进行了图像识别与图像压缩方法的研究,并选取实际工业中的3D打印机高速移动激光点红外图像和高速运动固定翼无人机视频图像分别进行了算法验证及结果分析。主要研究内容如下:(1)分析了高速运动物体图像特征及图像识别过程,提出了基于改进卷积神经
随着人工智能的日益发展壮大,很多室外视觉系统也在逐步进步并且发展,因此实时的天气状况也影响着基于图像数据的室外监控、天气预测、灾害预警、自动驾驶以及场景理解等领域,使计算机通过图像更加拟人化、智能化的进行天气分类已成为计算机视觉领域备受瞩目的研究课题之一。基于此,本文使用深度学习网络,从基本天气类型分类以及恶劣天气细粒度分类两个方向出发,构建了相关的分类预测模型,使得计算机能够通过数据驱动的自动学
高速运动物体具有速度快、运动非线性等特点,对于高速运动物体的跟踪具有广泛的应用场景,如生物医学、能源化工、军事目标检测与拦截等。虽然目前众多学者在高速运动物体跟踪领域的研究取得了一定成果。Camshift是Meanshift的改进算法,解决了跟踪框无法变化的问题,同时利用HSV代替RGB,一定程度的解决了光线干扰的问题。但是对于高速运动物体的跟踪,使用Camshift算法会遇到两个问题,一是Cam
随着电子信息技术的发展,集成电路芯片被广泛应用于军事和民生等领域,对国家和社会安全发挥着重要的作用。集成电路设计与生产相互分离、各模块设计相互独立的产业模式,使得芯片不可避免地存在硬件安全隐患。硬件木马是指在芯片设计或制造过程中对电路进行有意的修改或植入的结构,导致电路出现恶意的行为。硬件木马的危害巨大,因此研究硬件木马检测技术可以保证芯片安全,对国家和社会安全具有重要的意义。本文首先基于AES加