基于改进关系网络的实验数据小样本分类评估方法

摘要

针对实验教学中由于实验内容多样、数据样本严重不足,难以通过传统深度学习方法对学生实验报告中的图像数据进行自动评估问题,提出一种基于改进关系网络的实验数据小样本分类评估方法.该方法将图像分类思想与改进关系网络相结合建立分类评估模型.首先通过注意力残差块构建特征提取模块,用于提取输入实验图像的特征向量;再将标记样本和查询样本的特征向量输入关系模块,通过二者的相似性得分获得查询样本的对应类别,从而实现对实验图像的评估.实验结果表明,在5-way 1-shot、5-way 5-shot条件下,该模型在mini-ImageNet数据集上的分类准确率分别提升了4.5％和1.91％,在CUB数据集上分别提升1.54％和1.03％.该模型基于学校实验室实验数据在5-way 1-shot、5-way 5-shot条件下,分别实现了61.01％和68.91％的分类评估准确率.