排序方式: 共有3条查询结果,搜索用时 15 毫秒
1
1.
2.
小样本图像分类任务要求模型仅从少量的图像样本中学到新类别的正确分类方法,是一种特殊的分类任务。然而,以往大多数小样本工作都单独处理来自不同类别的样本,而没有充分利用到不同类别间的信息。本文提出了一种新的类别融合网络(Category-fusion network, CFN),通过融合来自不同类别的样本信息,同时挖掘类别内和类别间的信息。CFN的重要部分是一个融合映射的学习,即如何融合样本中的特征,从而映射出网络参数。其中的一个重要问题是融合映射是否应该随不同的输入样本而改变。本文设计了3个不同的模块:具有固定映射的类无关模块、融合映射仅依赖于期望学习的目标类别的半相关模块和完全相关的模块,其中融合映射完全依赖于输入样本。本文的网络可以通过学习多个类别的样本之间的关系来进行类别概念的学习,并生成融合信息的分类器。实验结果表明,本文网络在广泛应用的MiniImageNet数据集上得到了60.03%的分类精度。 相似文献
3.
在二维平面内,把已有的只测视线角的目标可观判据扩展到只测视线角速度的情况.针对N阶机动目标,在直角坐标系中,通过分析导弹与目标相对运动方程,给出了只有视线角速度量测值情况下目标不可观的充分必要条件(目标不可观判据).目标不可观判据分为两种简单的表达形式:一种是对弹目相对距离的约束;另一种是对视线角的约束.在修正极坐标系中,通过分析系统的Fisher信息阵,得到了在只有视线角速度量测值情况下常加速度目标可观的充分必要条件.结果表明:目标不可观判据与在修正极坐标系中得到的充分必要条件是一致的,与只测视线角的目标可观判据不冲突;推理简单,不要求分析可观性矩阵和非线性微分方程,因此简单易用. 相似文献
1