基于多角度学生子注意力网络的小样本学习

小样本图像分类的准确性取决于神经网络模型对样本数据提取图像表征的能力，为了挖掘出图像更多的细节信息，提出了一种基于多角度学生子注意力网络的小样本分类方法。首先将Conv64所提取的特征作为网络的基础特征，其次构建两个学生分支，使网络从图像位置和通道角度来提取图像的细节信息，最后融入互学习思想，促使两个学生子分支相互监督，相互学习，利用两个学生子分支网络分别对小样本任务进行分类。文中在Mini-ImageNet和Tiered-ImageNet两个数据集上验证了多角度学生子注意力网络有效性，在Mini-ImageNet数据集上，该方法5-way 1-shot准确率为56.54%,5-way 5-shot准确率为73.87%。在Tiered-ImageNet数据集上，该方法5-way 1-shot及5-way 5-shot准确率分别上升到59.62%及77.96%。实验结果表明，相较于只使用单一角度的注意力网络，基于多角度学生子注意力能够更加关注图像的全局信息，显著提高了小样本图像分类的准确性。