基于张量特征的小样本图像快速分类方法

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.