《表2 MiniImageNet数据集上不同方法的测试均值及95%置信度》
MiniImageNet数据集上的比较结果在表2中.本文比较了当前主流的几种方法.由于本文遵循文献[13~15]相同的评估、数据处理方法,因此引用文献[15]中的实验结果作为对比.其中,ProtoNet Pool是本方法的基准对比方法,实现基于ProtoNet[14],但有两点不同.首先,在特征表示网络的末尾增加全局平均池化层.同时,在元学习之前,在已知类别上优化多分类问题,用特征层的权重初始化网络.ProtoNet Pool获得与原始ProtoNet类似的结果,特别是在单样本任务(1-shot)设定中.这意味着池化层在降低计算开销的同时能保持原始的性能.本文的MCP方法在所有对比方法中能够取得较好的分类结果,并比ProtoNet Pool具有更好的分类精度.和ProtoNet Pool的比较结果证明了MCP的有效性不是来自最终的池化层或预训练的权重.MCP+算法能取得更好的小样本分类效果,说明考虑精度矩阵的特定生成模式对小样本分类更有帮助.在测试过程中,本文也考虑20类分类问题.在1-Shot20-Way的小样本分类任务上,MCP和MCP+的分类准确率分别为22.68±0.72和22.68±0.63;在5-Shot 20-Way的小样本分类任务上,两种方法的分类性能分别为37.62±0.65和37.85±0.68.CUB数据集上的比较结果在表3中,在该数据上,本文提出的MCP方法仍然能取得最好的效果.
图表编号 | XD00168234000 严禁用于非法目的 |
---|---|
绘制时间 | 2020.05.20 |
作者 | 叶翰嘉、詹德川 |
绘制单位 | 计算机软件新技术国家重点实验室(南京大学)、计算机软件新技术国家重点实验室(南京大学) |
更多格式 | 高清、无水印(增值服务) |