《表5 在mini Image Net上本文嵌入模块效果》

  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:加粗字体表示最优结果。

2)对不同嵌入模块的效果进行对比。本文在miniImageNet数据集上嵌入不同模块的效果如表5所示，可以看出，ResNet18直接用在小样本学习任务上反而没有简单的4层CNN效果好。这是由于ResNet18的参数数量很大，超过简单CNN的100倍，而该任务训练数据仅有38 400，并且要对新类进行预测，导致较大程度的过拟合，使得精度在训练集上高于简单CNN，但是测试反而低于简单CNN。此外，参数数量过大会导致训练速度较慢，可以看出，Res Net18的训练耗时是简单CNN的2.74倍。而本文针对小样本任务设计的嵌入模块经过实验验证，无论是效果还是耗时都显著优于Res Net18，并且在比简单CNN耗时略多的情况下，达到了更好的效果。