典型文献
基于张量特征的小样本图像快速分类方法
文献摘要：
解决小样本图像分类问题最直接的方式是进行数据增强,但目前适用于小样本图像分类的数据增强方法大都存在模型复杂、推理时间长的问题.提出一个张量特征生成器,通过生成新的张量特征在特征空间对小样本图像进行数据增强.基于张量特征生成器,提出一个适用于小样本图像的快速分类方法(Tensor Feature-based Faster Classification Network,TFFCN),该方法网络结构简单,利用残差网络提取图像的张量特征,通过张量特征生成器对小样本图像进行数据增强,从而训练得到一个满意的分类器对查询集图像进行分类,解决了模型推理时间长的问题.为了验证提出模型的有效性,选用公开数据集miniImageNet,CUB以及CIFAR-FS,对分类性能和推理时间进行对比实验.实验结果表明,TFFCN的分类性能优于目前流行的数据增强方法,并且,和改进前的模型相比能有效减少模型的推理时间,采用ResNet18和ResNet12为主干特征提取网络时,随着生成的张量特征数量的增加,最高可减少49％和24％的推理时间,能更快速地完成小样本图像分类任务.
文献关键词：
小样本图像分类;数据增强;张量特征生成器;张量特征;推理时间
中图分类号：
作者姓名：
张艳莎;冯夫健;王杰;潘凤;谭棉;张再军;王林
作者机构：
贵州民族大学数据科学与信息工程学院,贵阳,550025;贵州省模式识别与智能系统重点实验室,贵州民族大学,贵阳,550025;黔南民族师范学院数学与统计学院,都匀,558000
文献出处：
引用格式：
[1]张艳莎;冯夫健;王杰;潘凤;谭棉;张再军;王林-.基于张量特征的小样本图像快速分类方法)[J].南京大学学报（自然科学版）,2022(06):1059-1069
A类：
张量特征生成器,TFFCN,ResNet12
B类：
快速分类,分类方法,小样本图像分类,分类问题,数据增强,增强方法,推理时间,特征空间,Tensor,Feature,Faster,Classification,Network,法网,结构简单,残差网络,练得,分类器,模型推理,出模,公开数据集,miniImageNet,CUB,CIFAR,FS,分类性能,进前,比能,ResNet18,主干特征提取网络,特征数,分类任务
AB值：
0.219757
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
