《表2 MiniImageNet数据集上不同方法的测试均值及95%置信度》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于模型分解的小样本学习》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

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.