郑州西亚斯学院计算机与软件工程学院, 郑州 451000
针对现有的基于CNN的方法存在特征信息丢失、杂波信息干扰严重、忽略了不同尺度特征之间的相关性、需要大量训练样本等问题, 提出了一种基于孪生特征引导多尺度网络(SFGMSN)的坦克检测方法。在SFGMSN方法中, 设计一种改进的Inception模块, 提取坦克目标图像的多尺度特征, 并进行特征融合, 更好地恢复了坦克目标的精细分段信息; 为了提高目标区域的特征感知能力和抑制背景干扰, 设计了一种局部通道注意机制(LCA-M), 得到更加精准的检测结果; 最后, 利用元学习器检测坦克目标。SFGMSN方法充分利用多尺度卷积、空洞卷积、孪生网络、局部通道注意机制和元学习器的优势, 能够解决传统CNN模型过度依赖大量训练样本以及在小样本条件下可能出现的准确率低和泛化性差的问题。在坦克图像数据库中进行实验, 结果表明, 所提方法具有较好的检测效果, 平均检测精度为90.12%, 可实现复杂场景下坦克检测, 对低分辨率坦克图像具有很好的鲁棒性。
坦克检测 孪生网络 多尺度CNN 元学习器 孪生特征引导多尺度网络(SFGMSN) tank detection Siamese network multi-scale CNN meta-learner Siamese Feature-Guided Multi-Scale Network (SFGMSN
1 重庆大学 光电技术及系统教育部重点实验室，重庆400044
2 重庆科技学院 电气工程学院，重庆401331
针对元学习少样本分类样本特征鉴别能力不足的问题，提出了一种类内-类间通道注意力少样本分类方法（Intra-inter Channel Attention Few-shot Classification， ICAFSC）。ICAFSC在原型网络基础上设计了一个类内-类间通道注意力模块，该模块通过类内-类间距离度量计算通道权重实现特征加权，提高特征对类别的鉴别能力。为了克服直接在元训练阶段学习类内-类间通道注意力模块容易出现过拟合或欠拟合现象的问题，ICAFSC在原型网络的元训练之前增加一个预训练阶段。该阶段设计具有大量标记样本的分类任务，并利用这些任务充分训练类内-类间通道注意力模块，促使该模块达到较优的状态。在原型网络的元训练和元测试阶段，ICAFSC冻结类内-类间通道注意力模块的参数，分别实现少样本分类经验的学习与迁移。在MiniImagenet数据集上分别开展了1-shot和5-shot的少样本分类实验。实验结果表明：本文提出的类内-类间通道注意力少样本分类方法与原型网络相比，在1-shot和5-shot条件下分类准确率分别提高了1.93%和1.15%。
深度学习 少样本分类 元学习 原型网络 通道注意力 deep learning few-shot classification meta-learning prototypical network channel attention 光学 精密工程
2023, 31(21): 3145
1 信息工程学院
2 通信与网络重点实验室,辽宁 大连 116000
针对复杂电磁环境下干扰信号样本量少而难以识别的问题, 提出基于元学习的干扰识别方法。首先计算干扰信号频率响应的Holder系数;然后将干扰信号的时频图经残差网络输出的特征向量与上述Holder系数进行多模态融合组合成新的多维特征向量;最后利用元学习将输出的多维特征向量拆分为编码向量和干扰信号时频图相关的协方差矩阵, 计算干扰信号的预测值, 通过计算实际值与预测值之间的最短欧氏距离进行干扰信号的识别分类。仿真结果表明, 该干扰识别方法能够有效提高在小样本数据集1-shot和5-shot上的识别率。
干扰识别 小样本信号 Holder系数 残差网络 元学习 jamming recognition small-sample-size signal Holder coefficient residual network meta-learning
1 北京交通大学 机械与电子控制工程学院，北京 00044
2 北京交通大学 智慧高铁系统前沿科学中心，北京 100044
异物入限是导致铁路安全事故频发的主要原因之一，传统深度学习需要大量训练样本进行网络训练，但铁路场景中入侵样本很少且难于获取。本文提出了基于改进度量元学习的铁路小样本异物入侵检测方法。为了让入侵目标的特征表征在分类时发挥更大作用，提出了基于通道注意力机制的特征提取网络；为解决样本数量不足时个别样本在特征空间中产生偏离的问题，提出了一种基于类中心微调的网络用于类别中心的修正；同时，基于center loss与交叉熵构建了中心相关损失函数用于小样本网络训练，提升特征空间中同类别特征分布的紧凑性。在公共数据集miniImageNet上与经典小样本学习模型中最优的相比，本文算法在5-way 5-shot设置下图像分类准确率提升了7.31%。在铁路入侵小样本数据集的5-way 5-shot消融实验表明：本文提出的通道注意力机制（Channel Attention Mechanism，CAM）和中心相关损失函数分别提升0.86%和1.91%的检测精度；提出的类中心微调和预训练方法对检测精度的提升效果更明显，分别达到3.05%和6.70%，上述模块综合应用的提升效果达到了7.90%。
小样本学习 度量元学习 铁路限界入侵 目标检测 注意力机制 few-shot learning metric meta learning railway clearance intrusion object detection attention mechanism 光学 精密工程
2023, 31(12): 1816
1 浙江理工大学信息学院, 浙江 杭州 310018
2 浙江理工大学机械与自动控制学院, 浙江 杭州 310018
为降低大豆食心虫对大豆产量以及品质的影响, 实现对大豆食心虫虫害的快速检测, 提出了一种基于三维关系网络小样本元学习(3D-RN)模型的大豆食心虫虫害的检测方法。 首先分别对附着虫卵的, 附着食心虫幼虫的, 被啃食的及正常的大豆各20颗进行高光谱图像采集, 提取感兴趣区, 建立基于高光谱图像的3D-RN模型。 最终模型的正确率达82%±2.50%。 对比与模型无关的元学习和匹配网络元学习模型, 3D-RN模型能够充分度量样本特征间的距离, 识别效果大大提升。 研究表明, 基于高光谱图像的3D-RN模型能够在少量样本情况下实现对大豆食心虫虫害的检测, 将小样本元学习与高光谱结合的方法为虫害检测提供一种新思路。
虫害检测 大豆食心虫 高光谱 卷积神经网络 小样本元学习 三维 Pest detection Leguminivora glycinivorella Hyperspectral Convolutional neural network Few-shot meta-learning Three-dimensional 光谱学与光谱分析
2021, 41(7): 2171
新疆大学 信息科学与工程学院, 乌鲁木齐 830046
为了在研究红外弱小点状目标的特征基础上有效解决训练数据不足的问题, 采用了基于改进的元学习红外点状目标跟踪算法。首先将元学习通过预训练跟踪模型运用到卷积神经网络中, 采用离线训练的方式在静态红外图像数据集上训练得到目标的通用表示, 再通过在线训练的方式利用初始帧的目标位置学习得到目标的特定表示; 通过卡尔曼滤波算法预测目标运动模型, 得到最优的搜索区域。此外, 为了解决遮挡造成的目标丢失问题, 研究了重检测机制, 并进行了理论分析和实验验证, 取得了较好的跟踪结果, 跟踪精度达到了90%。结果表明, 该方法在同一数据集下相对其它跟踪算法实现了更精确地跟踪红外弱小点状目标的效果。该研究为机器学习算法在红外弱小点状目标跟踪中的应用提供了参考。
图像处理 点目标跟踪 元学习 红外点状目标 image processing point target tracking meta-learning infrared dim and small target
1 中国科学院上海技术物理研究所, 上海 200083
2 中国科学院大学, 北京 100049
3 中国科学院红外探测与成像技术重点实验室, 上海 200083
针对地对空红外空中目标识别任务中数据量严重不足的问题,提出一种基于改进关系网络的小样本红外空中目标分类方法。该方法将关系网络模型、多尺度特征融合方法及元学习训练策略相结合,首先构造多尺度特征提取模块提取输入图像的特征向量,然后将支撑样本和预测样本的特征向量输入到关系模块中,根据关系值得到预测样本的类别标签。mini-ImageNet数据集上的实验结果表明:所提模型的分类精度显著高于其他经典的小样本学习模型。Infra-aircraft dataset上的实验结果表明:所提方法在仅有个位数样本的情况下,可完成多种机型的地对空红外图像分类任务。
成像系统 红外图像 空中目标分类 小样本学习 元学习
