Adaptive Prototyp-Few-Shot-Bildklassifizierungsmethode basierend auf Feature-Pyramide

Few-Shot-Lernen zielt darauf ab, Maschinen zu befähigen, unbekannte neue Klassen mithilfe begrenzter Proben ähnlich wie Menschen zu erkennen. Metrisches Lernen ist ein entscheidender Ansatz zur Bewältigung dieser Herausforderung, dessen Leistung hauptsächlich von der Effektivität der Merkmalsextraktion und Prototypenberechnung abhängt. Dieser Artikel stellt eine Adaptive Prototype Few-Shot Bildklassifizierungsmethode basierend auf Feature Pyramid (APFP) vor. APFP verwendet eine neuartige Merkmalsextraktionsmethode namens FResNet, die auf der ResNet-Architektur aufbaut und eine Feature-Pyramidenstruktur nutzt, um feinere Details zu bewahren. Im 5-Shot-Szenario zeigen traditionelle Methoden zur Berechnung von Durchschnittsprototypen Einschränkungen aufgrund der typischerweise vielfältigen und ungleichmäßigen Verteilung der Proben, bei der einfache Mittelwerte diese Vielfalt unzureichend widerspiegeln können. Um dieses Problem zu lösen, schlägt APFP eine Adaptive Prototype-Methode (AP) vor, die Klassenprototypen des Support-Sets dynamisch basierend auf der Ähnlichkeit zwischen Support-Set-Proben und Abfrageproben berechnet. Experimentelle Ergebnisse zeigen, dass APFP 67,98 % bzw. 85,32 % Genauigkeit in den 5-way 1-shot- und 5-way 5-shot-Szenarien auf dem MiniImageNet-Datensatz erzielt und 84,02 % bzw. 94,44 % Genauigkeit auf dem CUB-Datensatz. Diese Ergebnisse deuten darauf hin, dass die vorgeschlagene APFP-Methode das Few-Shot-Lernproblem adressiert.