融合混合注意力机制的局部原型小样本分类模型OA

在数据稀缺的新类别识别任务中,基于原型网络的小样本学习已受到广泛关注。针对传统方法中全局均值计算的原型在样本极为受限时易受复杂背景干扰,且局部特征覆盖不足等问题,结合局部特征表示和混合注意力机制提出了一种增强原型的方法。通过特征提取网络获得样本特征图,并将其分解为局部描述符,经逐元素均值计算生成融合多尺度细节的原型,能够在保留一定的全局信息的同时,捕捉到丰富的细节和上下文关系,提升原型表示能力和抗干扰能力。设计了通道-空间分布处理的混合注意力机制,其中双池通道注意力模块采用全局平均池化与最大池化双重路径,动态学习通道特征权重以抑制背景干扰;增强空间注意力模块通过局部特征相似度矩阵评估区域关联性,结合全局平均池化与最大池化提取的通道统计特征,协同生成针对前景目标的空间注意力分布,两者以不同模式聚焦于图像的重要局部区域,从而增强原型的代表性。与已有方法相比,该方法在不同粒度分类任务上展现了较明显的优势。粗粒度分类任务中,该方法在两种实验设置下的准确率比基线模型提升了5.60和5.84个百分点;细粒度分类任务中,该方法比其他最好方法的准确率平均提高了5.42个百分点。