公开(公告)号：CN113052263B

公开(公告)日：2025-04-18

申请号：CN202110441901.4

申请日：2021-04-23

Applicant: 东南大学

Inventor： 裴文江 ,  田维维 ,  夏亦犁

IPC: G06V10/764 ,  G06V10/774 ,  G06V10/77 ,  G06V10/82 ,  G06N3/0464 ,  G06N3/09

Abstract: 本发明公开了一种基于流形学习和高阶图神经网络的小样本图像分类方法，主要解决当前小样本学习方法在未知类别的图像分类任务上泛化性能差的问题。其主要分类过程是：首先利用卷积神经网络对输入图像进行特征提取，其次构建一个嵌入传播网络，将特征提取得到的图像特征映射到一组插值的特征嵌入，然后利用特征嵌入计算高阶结构信息，之后特征传播网络对图像特征进行处理，包括节点特征和边特征的更新，归一化，逐层计算流形损失，最后输出未标记样本的标签，并且通过反向传播对模型进行约束。本发明方法为小样本图像分类提供了一个新思路，通过构造嵌入传播网络和利用高阶信息，缓解了分布偏移问题，提高了模型的泛化性能和分类性能。

公开(公告)号：CN113052263A

公开(公告)日：2021-06-29

申请号：CN202110441901.4

申请日：2021-04-23

Applicant: 东南大学

Inventor： 裴文江 ,  田维维 ,  夏亦犁

IPC: G06K9/62 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明公开了一种基于流形学习和高阶图神经网络的小样本图像分类方法，主要解决当前小样本学习方法在未知类别的图像分类任务上泛化性能差的问题。其主要分类过程是：首先利用卷积神经网络对输入图像进行特征提取，其次构建一个嵌入传播网络，将特征提取得到的图像特征映射到一组插值的特征嵌入，然后利用特征嵌入计算高阶结构信息，之后特征传播网络对图像特征进行处理，包括节点特征和边特征的更新，归一化，逐层计算流形损失，最后输出未标记样本的标签，并且通过反向传播对模型进行约束。本发明方法为小样本图像分类提供了一个新思路，通过构造嵌入传播网络和利用高阶信息，缓解了分布偏移问题，提高了模型的泛化性能和分类性能。