STTL-BLS 图像分类模型

小样本精度提升14.82个百分点

结合广义学习系统与卷积神经网络优势，通过自我训练与转导学习提升泛化能力，实现精度与效率双收。

易琳 · Di, Lv · Dinghao, Liu · Suhuan, Li · Liu, Ran · 刘然

Pattern Recognition 2024

参数信息

小规模数据集平均准确率提升

14.82 pp

大规模数据集平均准确率提升

12.95 pp

小规模数据集平均测试时间节省

46.4 s

技术优势

精度大幅提升

在小规模数据集上平均准确率提升14.82个百分点，在大规模数据集上提升12.95个百分点。

测试更快

在小规模数据集上平均测试时间比其他模型少46.4秒。

泛化更强

结合自训练和转导学习的训练算法提升泛化能力。

应用场景

• 图像分类：兼得高精度与低测试耗时，适用于实时识别任务。
• 轻量级模型：测试时间短，适合部署在计算资源受限的设备上。
• 小样本学习：在小规模数据集上精度提升显著，缓解数据不足问题。
• 模式识别：提供新的图像识别方案，在标准数据集上表现优异。