《表1 不同嵌入网络结构对比》

  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

《代表特征网络的小样本学习方法》

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

注:C表示卷积层，MP表示最大池化层，GAP表示全局平均池化层。

对比ResNet[1]结构，本文提出的嵌入模块更适用于小样本学习任务。本文设计网络的出发点是使用跳过连接来加深网络，更好地提取特征，并且尽量减少参数数量以防过拟合。首先，该模块使用最大池化来减半特征图的大小而不是ResNet[1]中使用更大步长的卷积层，参数量总计减少了460 k。其次，该模块最后使用1×1卷积层扩展深度代替全连接层，本文认为全卷积网络更有利于提取特征，实验证明，该方法提高了0.2%的精度。最后，该模块带参层数共13层，且选择了最合适的卷积核数量。这些方法达到了在保证深度和效果的同时，尽可能减少参数的目的。相比最小的ResNet-18[1]（参数量为11.13×106），本文（参数量为1.24×106）减少了88.86%的参数，并且取得了更好的效果，如表1所示。由于输入尺寸的不同，本文未使用ResNet-18最后的两个下采样层。