多语义超图网络

少样本分类更鲁棒

该网络通过挖掘样本间复杂的高阶多语义关系，学习更精细的特征表示，从而提升少样本分类的鲁棒性。

Hao, Chen · Li, Linyan · 胡伏原 · Lyu, Fan · Zhao, Liuqing · 黄开竹 · 冯伟 · 夏振平

Pattern Recognition 2023

参数信息

分类提升（多语义超图 vs 单语义图）

3.1 %

分类提升（加入语义分布消息传递）

6.1 %

技术优势

挖掘高阶关系

将样本间的二元关联扩展为多样本、多语义之间的复杂高阶关系，使学到的特征表示更精细。

提升分类准确率

在 mini-Imagenet 5-way 1-shot 任务上，相对单语义图提升 3.1%；加入语义分布消息传递后提升达 6.1%。

应用场景

• 具身智能：在数据稀缺的交互场景中快速学习新物体识别，赋予机器人小样本适应能力。
• 先进机器人：让机器人在少量样本下快速适应新任务，降低对大规模标注数据的依赖。
• 脑机接口交互：利用少样本学习处理个体差异大的脑电信号，减少用户校准负担。
• 物联网与传感网：在边缘资源受限条件下用少量标注样本快速建立识别模型。