《表5 mini Image Net和CUB上不同注意力方法的性能比较》

  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

《基于自注意力和自编码器的少样本学习》

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

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．