计算机工程

作者：吴鹏翔, 李凡长

单位：苏州大学 计算机科学与技术学院, 江苏 苏州 215006

关键词：元学习,群等变卷积,深度学习,自适应性,度量学习

基金：国家重点研发计划“变革性技术关键科学问题”重点专项（2018YFA0701700，2018YFA0701701）。

传统机器学习方法泛化性能不佳，需要通过大规模数据训练才能得到较好的拟合结果，因此不能快速学习训练集外的少量数据，对新种类任务适应性较差，而元学习可实现拥有类似人类学习能力的强人工智能，能够快速适应新的数据集，弥补机器学习的不足。针对传统机器学习中的自适应问题，利用样本图片的局部旋转对称性和镜像对称性，提出一种基于群等变卷积神经网络（G-CNN）的度量元学习算法，以提高特征提取能力。利用G-CNN构建4层特征映射网络，根据样本图片中的局部对称信息，将支持集样本映射到合适的度量空间，并以每类样本在度量空间中的特征平均值作为原型点。同时，通过同样的映射网络将查询机映射到度量空间，根据查询集中样本到原型点的距离完成分类。在Omniglot和miniImageNet数据集上的实验结果表明，该算法相比孪生网络、关系网络、MAML等传统4层元学习算法，在平均识别准确率和模型复杂度方面均具有优势。

来源：2022年第2期

《计算机工程》期刊编辑部

查看计算机工程杂志2022年第2期