基于改进匹配网络的单样本学习

当前深度学习是基于大量标注数据样本通过多层网络实现模型自动识别。然而,在很多特殊场景下,难以获取大量标注样本数据,小样本物体识别仍是深度学习下关键性的难题。针对这一问题,首先利用4层深度卷积神经网络(deep convolution neural network,DCNN)提取训练样本和测试样本的高层语义特征,然后基于改进的匹配网络分别采用双向LSTM和attLSTM算法对训练样本和测试样本深入提取更加关键和有用特征并进行编码,最后在平方欧氏距离上利用softmax非线性分类器对测试样本进行分类识别。实验通过Omniglot数据集对提出的改进模型进行测试,取得了非常好的效果。改进的模型即使在最复杂的20-way 1-shot情况下,依然能够达到93.2%的识别率,Vinyals的原创匹配网络模型在20-way 1-shot的情况下只能达到88.2%的识别率,与原创匹配网络模型相比,改进的模型在类别数更多而样本数较少的复杂场景下具有更好的识别效果。

基于改进边界匹配网络的鱼群摄食动作时序检测方法研究

集约化水产养殖中,实时监测鱼群摄食状态是制定科学投喂策略的重要依据之一。为实现鱼群摄食和非摄食状态的时序探测,解决现有方法在探测摄食状态切换时误差较高的问题,提出了基于改进边界匹配网络(Boundary Matching Network,BMN)的鱼群状态检测网络BMN-Fish。该网络在BMN的基础上,引入高效深度模块,包含高效通道注意力模块(Efficient Channel Attention Module Net,ECANet)和基础残差模块(Base Residual Module,BRM)。高效通道注意力模块可扩大时序维度特征的感受野,提高了模型提取局部信息的能力;基础残差模块可关注特征图中感兴趣的区域,增强算法的全局感知能力。结果显示,相比于原始的鱼群时序摄食动作检测网络BMN,BMN-Fish的AUC和AR@100指标达93.32%和95.28%,分别提高2.17%和1.95%。研究表明,该方法可以高效检测鱼群时序摄食动作,为集约化水产养殖制定智能投饲策略提供参考。