融合双粒度特征的小样本分类模型

在小样本图像分类中，样本的数量通常较少，且现有的度量学习模型不能够很好地兼顾局部和全局信息，时常受到一些复杂背景的影响，从而不能很好地关注主体信息。针对这些问题，本文提出一种融合区域重组图像及子块特征的小样本分类模型DGRCN（Dual-granularity region confusion networks）。DGRCN算法引入多粒度思想，提出区域重组粒化（Region confusion granulation，RCG）方法，得到多粒度区域重组图像及多粒度子块序列，缓解样本不足问题；其次，分别从区域重组图像及子块序列提取了图像级与局部块级特征，细化注意力以突出关键区域，进行基于两类特征的多粒度特征融合；最后，自适应融合双特征的分类结果，兼顾了全局与局部的重点信息。DGRCN在公开数据集miniImageNet、CUB、Stanford Dogs进行了实验，与基线模型DN4相比准确率均略有提升，实验结果表明DGRCN能有效地提高小样本分类任务的性能。