《表5 mini Image Net和CUB上不同注意力方法的性能比较》
与前文一致,在mini Image Net和CUB上,本节选取5-way 1-shot和5-shot对比两种方法的性能,其结果展示在表5中.在跨数据集分类场景下,本节仍选取两种网络测试所提方法的性能,其结果展示在表6中.从表5和表6可以看出,相对与基准网络,两种注意力方法都能带来性能提升,这说明为样本提取有效特征的重要性.同时,在3种分类场景下,本文所提无参数通道自注意力方法的性能均超过SENet,这一定程度上表明当动机相同时,减少参数量对少样本图像分类的意义.参数量的减少降低了模型对训练集过拟合的可能性,使得模型更适合少样本分类的场景.
图表编号 | XD00209361100 严禁用于非法目的 |
---|---|
绘制时间 | 2021.04.15 |
作者 | 冀中、柴星亮 |
绘制单位 | 天津大学电气自动化与信息工程学院、天津大学电气自动化与信息工程学院 |
更多格式 | 高清、无水印(增值服务) |