摘要
在少样本分类的背景下，目标是在使用有限数量的样本进行训练的同时保持令人满意的性能。然而，传统的基于度量的方法在实现这一目标时表现出一定的局限性。这些方法通常依赖于查询特征和支持特征之间的单一距离值，从而忽略了浅层特征的贡献。为了解决这一挑战，本文提出了一种新颖的方法。该方法利用多输出嵌入网络将样本映射到不同的特征空间中。所提出的模型在不同阶段提取特征向量，使模型能够捕捉全局和抽象特征。通过利用这些多样化的特征空间，我们的模型提升了其性能。此外，采用自注意力机制进一步改进了每个阶段的特征细化，从而生成更加鲁棒的表示并提高整体性能。进一步地，为每个阶段分配可学习权重显著提升了性能和结果。我们在 MiniImageNet 和 FC100 数据集上进行了全面评估，特别是在 5 类 1 样本（5-way 1-shot）和 5 类 5 样本（5-way 5-shot）场景中。此外，我们还在八个基准数据集上进行了跨域任务测试，在测试领域中取得了高精度。这些评估结果表明，与现有最先进的方法相比，我们所提出的方法具有更高的有效性。相关代码已发布在 GitHub 上：https://github.com/FatemehAskari/MSENet