计算机应用

作者：白瑞峰, 苟光磊, 文浪, 缪宛谕

单位：重庆理工大学 计算机科学与工程学院，重庆 400054

关键词：Ball k-means算法,粒球原型,综合度量,小样本学习,自适应,迭代更新

基金：国家自然科学基金资助项目(62141201);重庆理工大学2024年研究生创新项目(gzlcx20243212)

针对小样本学习中训练数据稀少以及单一距离度量无法全面衡量样本之间关系的问题，提出一种基于粒球原型网络（GBProtoNet）的小样本图像分类方法。首先，将粒球算法（Ball k-means）应用于查询集，并通过自适应更新迭代得到查询集类别信息，之后将这些信息与原型网络（ProtoNet）结合，构造具有查询集与支持集信息的粒球原型，从而缓解训练数据量少的问题；其次，在GBProtoNet特征提取后，设计一个特征筛选模块用于提取样本的重要信息，利用Ball k-means算法得到查询集各类的簇心，并把它们与初始原型进行加权融合，以构造更具代表性的粒球原型；再次，计算初始查询集样本与粒球原型的欧氏距离与余弦距离，并将二者相乘得到综合考量的距离，从而使样本间距离的度量更全面；最后，按照最邻近分配原则，将查询集样本分配给所属类别。实验结果表明，在MiniImageNet和TieredImageNet数据集的5-way 1-shot和5-way 5-shot的图像分类任务中，相较于基线模型ProtoNet，所提方法在MiniImageNet数据集上分类准确率分别提升了6.18%和3.85%，而在TieredImageNet数据集上分别提升了6.89%和3.57%。并且，所提方法在MiniImageNet数据集5-shot图像分类任务上所需时间成本比SSL-ProtoNet （Self-Supervised Learning Prototypical Network）减少了72.6%。可见，所提方法在有效提高小样本图像分类准确度的同时具有高效性。

来源：2025年第7期

《计算机应用》期刊编辑部

查看计算机应用杂志2025年第7期