基于特征分布校准的小样本分类改进算法

针对基于特征分布校准的小样本分类算法无法准确揭示新类特征分布的问题，提出一种融合隐空间变换和密度聚类的改进算法，以解决N way-K shot任务模式下的小样本图像分类问题.首先，通过广度残差神经网络提取基类和新类图像的深度特征；其次，采用隐空间变换方法约束新类特征分布，使其更接近正态分布；再次，利用密度聚类方法为新类选取合适基类，将基类统计信息迁移到新类，并通过多元正态分布矩阵实现样本扩充；最后，构建基于集成学习的分类器，完成小样本图像分类任务.实验结果表明，相比于传统特征分布校准方法，该算法的分类准确率更高.