基于对比学习的小样本图像分类方法

• 全文链接
• 请求原文

作   者：

严雪文;  黄章进; 

作者机构：

中国科学技术大学计算机科学与技术学院; 

关键词：

图像分类;  数据增强;  小样本学习;  对比学习;  显著性检测; 

期刊名称：

计算机应用

i s s n：

1001-9081

年卷期：

2025 年 45 卷 002 期

页   码：

383-391

摘   要：

基于深度学习的图像分类算法通常依赖大量训练数据，然而在实际场景中通常难以获取足够大规模的高质量标注样本。针对小样本场景下分类模型泛化能力不足的问题，提出一种基于对比学习的小样本图像分类方法。首先，在训练中增加全局对比学习作为辅助目标，从而使特征提取网络从实例中获得更丰富的信息；其次，对问询样本分块并用于计算局部对比损失，从而促进模型获得从局部推断整体的能力；最后，利用显著性检测混合查询样本的重要区域，并构造复杂样本，以增强模型泛化能力。在2个公开数据集miniImageNet和tieredImageNet上进行的5-way 1-shot和5-way 5-shot的图像分类任务实验结果表明：相较于小样本学习的基线模型Meta-Baseline，所提方法在miniImageNet上的分类准确率分别提高了5.97和4.25个百分点，在tieredImageNet上的分类准确率分别提高了3.86和2.84个百分点；并且，所提方法在miniImageNet上的分类准确率比DFR(Disentangled Feature Representation)模型分别提高了1.02和0.72个百分点。可见，所提方法有效提高了小样本图像分类的准确率，具有良好的泛化能力。