結合圖神經網絡的小樣本圖像分類方法

摘 要：針對目前在小樣本圖像分類任務上，現有模型存在特征提取不足、提取的特征信息單一等問題，提出一種結合圖神經網絡的雙特征提取的原型網絡（Ｇｒａｐｈ-Ｂａｓｅｄ Ｄｕａｌ-Ｅｎｃｏｄｉｎｇ Ｐｒｏｔｏｔｙｐｅ Ｎｅｔｗｏｒｋ，ＧＢ-ＰｒｏｔｏＮｅｔ）。ＧＢ-ＰｒｏｔｏＮｅｔ 采用了雙特征提取器結構，通過整合２ 種不同的神經網絡，有效地捕獲并融合了樣本的全局特征信息和局部特征信息。具體而言，該模型結合了殘差網絡（Ｒｅｓｉｄｕａｌ Ｎｅｔｗｏｒｋ，ＲｅｓＮｅｔ） 和基于圖譜卷積網絡（Ｇｒａｐｈ ＳＡｍｐｌｅ ａｎｄ ａｇｇｒｅＧａｔＥ，ＧｒａｐｈＳＡＧＥ） 的圖神經網絡。ＲｅｓＮｅｔ 能夠在多層網絡結構中有效地傳遞和保留信息，從而提取樣本的全局特征信息。ＧｒａｐｈＳＡＧＥ 擅長處理圖結構數據，通過采樣和聚合鄰居節點的信息，提取出樣本的局部特征信息。ＧＢ-ＰｒｏｔｏＮｅｔ 在訓練階段使用標簽平滑交叉熵損失函數計算損失并更新模型參數。該模型在ｍｉｎｉＩｍａｇｅＮｅｔ 和ＣＵＢ-２００２-２０１１ 數據集上進行對比實驗，與其他經典模型相比，ＧＢ-ＰｒｏｔｏＮｅｔ 在５-Ｗａｙ １-Ｓｈｏｔ 和５-Ｗａｙ ５-Ｓｈｏｔ 兩種設置上均取得最佳分類精度。

關鍵詞：小樣本學習；圖像分類；圖譜卷積網絡

中圖分類號：ＴＰ３９１． ４１ 文獻標志碼：Ａ 開放科學（資源服務）標識碼（ＯＳＩＤ）：

文章編號：１００３－３１０６（２０２４）０７－１６６８－０８

０ 引言

大數據時代下，隨著數據獲取和存儲技術的飛速發展，數據量呈現爆炸式增長。然而，在一些實際應用場景中，由于數據獲取成本高、標注難度大和數據分布不均勻等因素，往往難以獲得大量標注的樣本數據。因此，越來越多的任務面臨著樣本數據不足的問題。由此引發了研究人員對小樣本學習的探索。近年來，研究人員提出了多種小樣本圖像分類方法，主要包括基于數據增強、基于遷移學習、基于元學習和基于度量學習的方法。

數據增強方法可以為機器學習模型生成數據，減少對訓練數據的依賴性，從而提高機器學習模型的性能［１］。其中，有監督的數據增強方法有幾何變換和像素級操作，可增加數據量［２］。無監督的數據增強方法主要通過模型，尋找合適的增強方法，如ＧＡＮ［３］、ＭＦＣ-ＧＡＮ［４］、ＩＤＡ-ＧＡＮ［５］等方法。遷移學習的方法利用先驗知識，通過相似類別的樣本來提高模型的性能［６］。根據數據和任務的相似程度來看，遷移學習可分為歸納式遷移學習、轉導式遷移學習和無監督式遷移學習［７］。元學習也稱學會學習，旨在學習如何快速準確地將模型適應新任務［８］，主要分為黑箱元學習、層次元學習和貝葉斯元學習［９］。

度量學習的核心思想是學習一個距離度量，使得同一類別的樣本之間的距離盡可能小，不同類別的樣本之間的距離盡可能大［１０］。度量學習通常使用深度神經網絡提取樣本特征，隨后學習一個距離度量，在新的度量空間中完成相似度比較。例如，關系網絡［１１］將每個樣本與每個類別原型進行對比，學習一個關系函數來表示每個樣本與每個類別原型之間的相似性。然后，將關系函數的輸出進行分類，得到該樣本的預測類別。原型網絡［１２］首先為每個類別學習一個原型，然后將待分類樣本與每個原型的距離進行比較，將距離最小的類別作為該樣本的預測類別。匹配網絡［１３］的核心思想是使用余弦相似度度量樣本之間的距離，并使用支持集（ＳｕｐｐｏｒｔＳｅｔ）和查詢集（Ｑｕｅｒｙ Ｓｅｔ）進行訓練。ＭＡＭＬ［１４］的核心思想是學習一個初始模型，該模型能夠快速適應新任務。Ｚｈａｎｇ 等［１５］基于圖像區域之間最優匹配的角度，提出了一種基于度量的小樣本學習方法———Ｄｅｅｐ Ｅａｒｔｈ Ｍｏｖｅｒ-ｓ Ｄｉｓｔａｎｃｅ（ｄｅｅｐＥＭＤ）。該方法使用推土機距離（Ｅａｒｔｈ Ｍｏｖｅｒ-ｓ Ｄｉｓｔａｎｃｅ，ＥＭＤ）作為度量來計算密集圖像表示之間的結構距離，以確定圖像相關性。任維鑫等［１６］使用孿生網絡作為框架，通過自監督的對比學習和基于構造監督標簽與二值交叉熵的距離損失來優化模型的性能。Ｙｕ等［１７］通過改進原型網絡中的度量學習方法，將核心度量函數改為曼哈頓距離并優化卷積神經網絡結構，減少噪聲的影響且更易于模型優化。陸妍等［１８］針對小樣本細粒度分類中相似性度量單一的問題，提出一種基于Ｔｒａｎｓｆｏｒｍｅｒ 的小樣本細粒度圖像分類模型，設計了具有Ｔｒａｎｓｆｏｒｍｅｒ 架構的多軸注意力模塊，能夠更好挖掘圖像特征。許華杰等［１９］提出了一種基于特征圖增強原型和查詢特征聚合的小樣本圖像分類方法，有效緩解了類原型代表性不足和類內差異較大問題。

圖神經網絡（Ｇｒａｐｈ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ，ＧＮＮ）［２０］是一種用于處理圖結構數據的神經網絡。圖結構數據是現實世界中廣泛存在的一種數據形式。近年來，有許多研究者將ＧＮＮ 與小樣本學習相結合，以充分利用圖結構對節點和邊的數據的提取，提高模型在小樣本上的性能［２１］。Ｚｈｏｎｇ 等［２２］提出了一個用于小樣本圖像分類的圖補充潛在表示網絡（ＧｒａｐｈＣｏｍｐｌｅｍｅｎｔｅｄ Ｌａｔｅｎｔ Ｒｅｐｒｅｓｅｎｔａｔｉｏｎ，ＧＣＬＲ ），引入ＧＮＮ 充分利用每個類別內樣本之間的關系，提高關聯挖掘能力。Ｘｉｏｎｇ 等［２３］提出了一種利用多維邊緣特征的圖神經網絡（Ｇｒａｐｈ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ ＥｘｐｌｏｉｔｉｎｇＭｕｌｔｉ-Ｄｉｍｅｎｓｉｏｎａｌ Ｅｄｇｅ Ｆｅａｔｕｒｅｓ，ＭＤＥ-ＧＮＮ）。ＭＤＥ-ＧＮＮ 引入多維邊緣特征信息構建圖中的邊矩陣，使得模型能夠更好地捕捉圖像之間的復雜關系。Ｔｏｎｇ 等［２４］提出了一種用于高光譜圖像（ＨｙｐｅｒｓｐｅｃｔｒａｌＩｍａｇｅ，ＨＳＩ）小樣本分類的注意力加權圖卷積網絡（Ａｔｔｅｎｔｉｏｎ-ｗｅｉｇｈｔｅｄ Ｇｒａｐｈ Ｃｏｎｖｏｌｕｔｉｏｎａｌ Ｎｅｔｗｏｒｋ，ＡｗＧＣＮ）模型，通過構建注意力加權圖和利用圖卷積網絡傳播標簽，解決ＨＳＩ 少樣本分類所面臨的巨大標記數據需求問題。Ｃｈｅｎ 等［２５］提出了分層圖神經網絡（Ｈｉｅｒａｒｃｈｉｃａｌ Ｇｒａｐｈ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ，ＨＧＮＮ），著眼于挖掘類別內部和類別之間的區分特征，從而更好地進行小樣本分類。李凡等［２６］將ＲｅｓＮｅｔ 與ＧＮＮ 相結合，設計了殘差圖卷積網絡，增強網絡穩定性，并結合注意力機制提高信息傳遞效率。

本文提出了一種基于ＧＮＮ 的雙特征提取原型網絡（Ｇｒａｐｈ-Ｂａｓｅｄ Ｄｕａｌ-Ｅｎｃｏｄｉｎｇ Ｐｒｏｔｏｔｙｐｅ Ｎｅｔｗｏｒｋ，ＧＢ-ＰｒｏｔｏＮｅｔ），并對其在小樣本圖像分類任務中的表現進行了研究。ＧＢ-ＰｒｏｔｏＮｅｔ 在原型網絡的基礎上進行了改進，主要貢獻如下：① 雙編碼特征提取模塊。該模塊融合了ＲｅｓＮｅｔ 和基于圖譜卷積網絡（Ｇｒａｐｈ ＳＡｍｐｌｅ ａｎｄ ａｇｇｒｅＧａｔＥ，Ｇｒａｐｈ-ＳＡＧＥ）的ＧＮＮ分別提取樣本的全局信息和局部信息，提取更全面、更魯棒的圖像特征。② ＧｒａｐｈＳＡＧＥ ＧＮＮ。采用Ｇｒａｐｈ-ＳＡＧＥ 構建ＧＮＮ，捕捉圖像中的局部依賴關系，增強模型對圖像細節的表達能力。③ 標簽平滑交叉熵損失函數。通過加入一個平滑項，可以減小梯度的大小，有效緩解模型過擬合問題，提升模型的泛化能力。

實驗表明，ＧＢ-ＰｒｏｔｏＮｅｔ 在ｍｉｎｉＩｍａｇｅＮｅｔ 和ＣＵＢ-２００２－２０１１ 數據集上取得了優異的性能，在５-Ｗａｙ １-Ｓｈｏｔ 和５-Ｗａｙ ５-Ｓｈｏｔ 設置下分別取得了８７． ０５％ 、７６． ２２％ 和９６． ７６％ 、８８． ７０％ 的精度。

１ 本文方法

１． １ 小樣本問題定義

在小樣本學習中，對于給定任務，其包含３ 個數據集為訓練集、驗證集和測試集，這３ 個數據集類別兩兩正交。為了方便對比不同方法，通常在Ｎ-ＷａｙＫ-Ｓｈｏｔ 任務上進行測試，認為如果一個方法可在Ｎ-Ｗａｙ Ｋ-Ｓｈｏｔ 任務上取得較好結果，則該方法具備小樣本學習能力。Ｎ-Ｗａｙ Ｋ-Ｓｈｏｔ 任務也稱為Ｎ-ＷａｙＫ-Ｓｈｏｔ Ｑ-ｑｕｅｒｙ 任務，一般來說，小樣本學習的訓練集中包含了很多類別，每個類別有多個樣本。在訓練階段，從訓練集中隨機選取Ｎ 個類別，每個類別抽取Ｋ 個樣本作為Ｓｕｐｐｏｒｔ Ｓｅｔ，Ｓｕｐｐｏｒｔ Ｓｅｔ 包括Ｎ×Ｋ 個樣本，Ｋ 通常設為１ 或５；每個類再抽取Ｑ 個樣本作為Ｑｕｅｒｙ Ｓｅｔ，Ｑｕｅｒｙ Ｓｅｔ 可以為１ 個樣本也可以為多個樣本，根據其標注的類別，計算分類損失用于模型學習。模型在訓練過程中定期在驗證集上進行評估，驗證集同樣被劃分為Ｓｕｐｐｏｒｔ Ｓｅｔ 和ＱｕｅｒｙＳｅｔ，并根據驗證集上計算的損失調整模型參數，以防止模型過擬合訓練集。在測試階段，測試集被分為Ｓｕｐｐｏｒｔ Ｓｅｔ 和Ｑｕｅｒｙ Ｓｅｔ，此時僅計算模型的分類精度，用于評估模型在未知數據上的泛化能力。

１． ２ 模型總體架構

小樣本圖像分類任務通常由特征提取模塊和特征比較模塊構成。本文提出了ＧＢ-ＰｒｏｔｏＮｅｔ，在原型網絡的基礎上，使用雙特征提取模塊，引入殘差特征提取模塊和ＧＮＮ 特征提取模塊分別進行特征提取。ＲｅｓＮｅｔ 是一種經典的深度卷積網絡，擅長提取圖像的全局特征；ＧＮＮ 特征提取模塊中的ＧｒａｐｈＳＡＧＥ，擅長提取圖像的局部特征。雙特征提取模塊可以充分利用圖像的空間結構信息和局部特征信息，從而提高模型的泛化能力。

在特征提取階段，殘差特征提取模塊將圖像轉換為全局特征向量，ＧＮＮ 特征提取模塊則將圖像序列化為圖，并使用ＧＮＮ 進行圖像節點特征的聚合，得到每個圖像的局部特征向量。隨后，將全局特征向量和局部特征向量進行融合，獲得具有更全面圖像信息的特征向量。在分類階段，使用標簽平滑交叉熵損失函數計算損失，用歐氏距離度量樣本與各個類原型間的距離進行分類。基于ＧＮＮ 的小樣本圖像分類模型如圖１ 所示。

１． ３ 殘差特征提取模塊

ＲｅｓＮｅｔ 由多個殘差模塊組成，在防止梯度消失和加強特征提取能力方面效果良好。ＲｅｓＮｅｔ 的核心是殘差結構。殘差結構［２７］的思想是：將原本要學習的函數Ｈ（ｘ）改為學習Ｆ（ｘ）＝ Ｈ（ｘ）－ｘ，其中ｘ 是輸入。如Ｈ（ｘ）的梯度較小或消失，則Ｆ（ｘ）的梯度仍有可能較大，從而避免梯度消失問題。ＲｅｓＮｅｔ 的計算如下：

ｙ ＝ Ｈ（ｘ） ＝ Ｆ（ｘ）＋ ｘ， （１）

式中：ｙ 為輸出，Ｆ（ｘ）為殘差函數，ｘ 為輸入。

本文提出的殘差特征提取模塊中包含４ 個ＲｅｓＮｅｔｌａｙｅｒ，每個ＲｅｓＮｅｔ ｌａｙｅｒ 由多個ＲｅｓＮｅｔ Ｂｌｏｃｋ 組成。ＲｅｓＮｅｔ Ｂｌｏｃｋ 結構如圖２ 所示，其計算如下：

ｙ ＝ Ｆ（ｘ） ＝ Ｆ（ｘ；Ｗ）。（２）

為了避免殘差特征提取模塊學習到過多圖片噪聲，在其輸入端添加了高斯濾波器。高斯濾波器能夠有效消除圖片噪聲，其輸出在局部區域是平滑的，并且具有平滑的邊緣，能夠保持圖片的整體結構。高斯濾波器是一種線性濾波器，其輸出如下：

式中：ｙ 為高斯濾波器的輸出，ｗｉ 為濾波器的權重，ｂｉ 為濾波器的偏置，ｘ 為輸入，σ 為濾波器的標準差。

在小樣本學習中，由于訓練數據量有限，模型容易過擬合。為了防止過擬合，在ＲｅｓＮｅｔ ｌａｙｅｒ 后添加了Ｄｒｏｐｏｕｔ 模塊，對特征進行稀疏化。Ｄｒｏｐｏｕｔ 操作會隨機丟棄一部分特征，從而增加模型的隨機性和魯棒性，提高模型的泛化能力。Ｄｒｏｐｏｕｔ 操作的輸出如式下：

ｙ ＝ ｘ⊙ｄ， （４）

式中：ｘ 為輸入特征矩陣，ｄ 為Ｄｒｏｐｏｕｔ 矩陣，⊙為按元素相乘運算。

Ｄｒｏｐｏｕｔ 矩陣的生成方法如下：

ｄ ＝ Ｂｅｒｎｏｕｌｌｉ（ｐ）， （５）

式中：Ｂｅｒｎｏｕｌｌｉ（ｐ）表示伯努利分布，ｐ 表示Ｄｒｏｐｏｕｔ率，即在訓練過程中丟棄特征的概率。在訓練過程中，生成Ｄｒｏｐｏｕｔ 矩陣ｄ。將輸入特征矩陣ｘ 與Ｄｒｏｐｏｕｔ 矩陣ｄ 按元素相乘，得到Ｄｒｏｐｏｕｔ 操作的輸出ｙ。模型使用輸出ｙ 進行訓練。

在殘差特征提取模塊中，首先使用高斯濾波器對圖像進行處理，以去除圖像中的噪聲并提高圖像的整體質量。然后通過１ ×１ 的卷積和最大池化操作，有效地提取輸入圖像中的特征，并降低特征圖的維度。接著通過４ 個ＲｅｓＮｅｔ ｌａｙｅｒ，每個ＲｅｓＮｅｔ ｌａｙｅｒ由多個ＲｅｓＮｅｔ Ｂｌｏｃｋ 組成，其中ＲｅｓＮｅｔ Ｂｌｏｃｋ 由２ 個卷積層和一個殘差連接構成。殘差連接可以有效地防止梯度消失，提高模型的深度可訓練性。然后通過Ｄｒｏｐｏｕｔ 層，在訓練過程中隨機丟棄一部分特征，從而增加模型的隨機性和魯棒性，提高模型的泛化能力，避免過擬合情況。最后通過平均池化層，在降低模型的計算量的同時保留特征圖中的均值信息，提高模型的魯棒性。殘差特征提取模塊如圖３ 所示。

１． ４ ＧＮＮ 特征提取模塊

為了提取樣本圖像的局部特征，在殘差特征提取模塊的基礎上引入一個ＧＮＮ 模塊組合成雙提特征提取器。ＧＮＮ 可以通過學習圖中的節點和邊的關系，從而提取圖中的信息。本文使用ＧｒａｐｈＳＡＧＥ［２８］構建ＧＮＮ 特征提取模塊，它基于鄰居聚合（Ｎｅｉｇｈｂｏｒｈｏｏｄ Ａｇｇｒｅｇａｔｉｏｎ），將每個節點的特征聚合為一個新的特征，該特征包含了該節點和其鄰居的相關信息。一個ＧｒａｐｈＳＡＧＥ 模塊的運行流程可以分為２ 個步驟：① 鄰居采樣；② 聚合。

在鄰居采樣階段，為了降低計算復雜度，對每個頂點采樣ａ 個鄰居頂點作為待聚合信息的頂點。如果頂點的鄰居數少于ａ，則采用有放回抽樣，直到采樣出ａ 個頂點；如果頂點的鄰居數多于ａ，則采用無放回抽樣。由于本文中的輸入為圖像，因此構建的鄰接矩陣將圖像像素視為圖的節點，并在相鄰像素之間建立邊連接。以此用于鄰居采樣。

在聚合階段，采用ｍｅａｎ 聚合函數聚合鄰居頂點蘊含的信息，其運算如下所示。

ｈｋｖ← σ（Ｗ·ＭＥＡＮ（｛ｈｋ －１ｖ ｝∪ ｛ｈｋ －１ｕ ，?ｕ ∈ Ｎ（ｖ）｝）），（６）

式中：ｈｖ 為節點ｖ 的特征向量，ｈｕ 為節點ｕ 的特征向量，σ 為非線性激活函數，Ｗ 為鄰接矩陣，Ｎ（ｖ）為節點ｖ 的鄰居節點集合，ｋ 為聚合深度。

本文提出的ＧｒａｐｈＳＡＧＥ 構建的ＧＮＮ 特征提取模塊如圖４ 所示。該模塊首先將輸入圖片的每個像素視為圖的節點，并構建鄰接矩陣。鄰接矩陣表示了圖中節點之間的連接關系。然后，該模塊通過２ 個ＧｒａｐｈＳＡＧＥ 模塊提取圖像的局部特征。ＧｒａｐｈＳＡＧＥ模塊是一種基于鄰居聚合的ＧＮＮ，通過聚合每個節點的鄰居信息，來更新節點的特征。最后，該模塊通過Ｆｌａｔｔｅｎ 和自適應平均池化調整輸出特征的形狀。Ｆｌａｔｔｅｎ 操作將多維張量展平為一維張量。自適應平均池化操作根據輸入張量的大小，選擇合適的池化窗口大小。

１． ５ 雙特征提取結構

如圖４ 所示，本文所提出的ＧＢＰｒｏｔｏＮｅｔ 設計了２ 個網絡，分別提取圖片的全局特征和局部特征。圖３ 所示的殘差特征提取模塊為Ｅｎｃｏｄｅｒ １，表示為ｆ１（ｘ），ｘ 為輸入的圖片，用于提取圖片全局特征。圖４ 所示的ＧＮＮ 特征提取模塊為Ｅｎｃｏｄｅｒ ２，表示為ｆ２（ｘ），用于提取圖片局部特征。２ 個特征提取模塊輸出的特征向量尺寸均為１×２ ０４８。

分別提取全局特征和局部特征后，使用下式對２ 個特征進行合并，生成圖片的融合特征。

ｆ（ｘ） ＝ Ｃａｔ（ｆ１（ｘ），ｆ２（ｘ））， （７）

式中：Ｃａｔ（）操作在最后一個維度對特征向量進行拼接，融合特征ｆ（ｘ）的特征向量尺寸為１×４ ０９６。

１． ６ 損失函數

交叉熵損失（Ｃｒｏｓｓ Ｅｎｔｒｏｐｙ Ｌｏｓｓ）函數是一種常用的損失函數，多用于分類任務。其計算如下：

式中：Ｍ 表示類別數量，ｙｉｃ 表示符號函數，ｐｉｃ 表示觀測樣本ｉ 屬于類別ｃ 的預測概率。

交叉熵損失函數衡量了２ 個概率分布之間的差異。在分類任務中，真實標簽表示樣本的真實類別，預測概率表示模型對樣本的預測類別。它的值越小，表示模型對樣本的預測類別與真實類別越接近，也就是說模型的預測結果越準確。

但交叉熵損失函數在訓練過程中可能會出現震蕩，并對噪聲敏感，會影響模型的收斂速度和對噪聲的魯棒性。因此本文使用標簽平滑交叉熵損失函數（Ｓｍｏｏｔｈ Ｃｒｏｓｓ Ｅｎｔｒｏｐｙ），通過加入一個平滑項，可以減小梯度的大小，從而提高模型的穩定性，計算如下：

式中：Ｋ 為類別數量，ｙｋ 為觀測樣本的類別，ｐｋ 為樣本屬于類別ｋ 的預測概率，α 為平滑參數。

２ 實驗

２． １ 數據集

本文在ｍｉｎｉＩｍａｇｅＮｅｔ［１３］和ＣＵＢ-２００２-２０１１［２９］數據集上進行了實驗。ｍｉｎｉＩｍａｇｅＮｅｔ 數據集是ＩｍａｇｅＮｅｔ 數據集的一個子集，共有１００ 個類別，每個類別包含６００ 張彩色圖片，共６０ ０００ 張。ＣＵＢ-２００２-２０１１ 數據集是一個鳥類數據集，共有２００ 個類別，共１１ ７８８ 張圖片，該數據集由加州理工學院于２０１０ 年提出。由于２ 個數據集的圖片尺寸大小不一，為方便進行訓練，在預處理階段，將所有圖片的大小設置為３×１２８ ｐｉｘｅｌ×１２８ ｐｉｘｅｌ。

訓練集、驗證集和測試集在數據集中的占比分別為６４％ 、１６％ 、２０％ 。在ｍｉｎｉＩｍａｇｅＮｅｔ 數據集上，訓練集包含３８ ４００ 張圖片，共６４ 個類別；驗證集包含９ ６００ 張圖片，共１６ 個類別；測試集包含１２ ０００ 張圖片，共２０ 個類別。在ＣＵＢ-２００２-２０１１ 數據集上，訓練集包含７ ５４５ 張圖片，共１２８ 個類別；驗證集包含１ ８８６ 張圖片，共３２ 個類別；測試集包含２ ３５７ 張圖片，共４０ 個類別。值得注意的是，ＣＵＢ-２００２-２０１１數據集并非全是彩色圖片，因此本文在預處理階段將一維圖像擴充為三維圖像。數據集的示例如圖５所示。

２． ２ 實驗設置

本文的所有實驗均在Ｕｂｕｎｔｕ ２０． ０４ 系統上，ＮＶＩＤＩＡ ＲＴＸ Ａ５０００ （２４ ＧＢ），在ＰｙＴｏｒｃｈ １． １１． ０、Ｐｙｔｈｏｎ ３． ８ 和ＣＵＤＡ １１． ３ 環境下進行。實驗中使用ＡｄａｍＷ 優化器進行訓練，學習率初始值為０． ０００ １，衰減系數為０． ５，每１０ 個ｅｐｏｃｈ 衰減一次。訓練采用余弦退火學習率調整策略，訓練輪數為２００。本實驗使用５-Ｗａｙ １-Ｓｈｏｔ 和５-Ｗａｙ ５-Ｓｈｏｔ 實驗策略進行訓練。

２． ３ 評價指標

為了評估本文提出的方法在小樣本分類任務上的有效性，使用分類準確率作為主要性能指標。在ｍｉｎｉＩｍａｇｅＮｅｔ 和ＣＵＢ-２００２-２０１１ 數據集上，本文的ＧＢ-ＰｒｏｔｏＮｅｔ 和其他對比實驗的精度，均使用１ ０００ 個ｅｐｏｃｈ 的測試結果計算平均準確率，并計算了每個模型分類準確率的９５％ 置信區間。準確率計算如下：

ＡＣＣ ＝ ＴＰ ＋ ＴＮ／ＴＰ ＋ ＦＮ ＋ ＦＰ ＋ ＴＮ， （１０）

式中：真陽性（ＴＰ）表示正確分類為正類的正樣本，假陰性（ＦＮ）表示被誤分類為負類的正樣本，假陽性（ＦＰ）表示被誤分類為正類的負樣本，真陰性（ＴＮ）表示正確分類為負類的負樣本。

２． ４ 對比實驗結果

為了驗證本文所提ＧＢ-ＰｒｏｔｏＮｅｔ 模型的有效性，分別與多種小樣本學習方法進行對比實驗，如Ｐｒｏ-ｔｏＮｅｔ、ＲｅｌａｔｉｏｎＮｅｔ、ＭＡＭＬ、ＤｅｅｐＥＭＤ 等模型，并在ｍｉｎｉＩｍａｇｅＮｅｔ 和ＣＵＢ-２００２-２０１１ 數據集上進行對比實驗，結果如表１ 和表２ 所示。

從表１ 和表２ 可以看出，ＧＢ-ＰｒｏｔｏＮｅｔ 在２ 個數據集上都取得了最優的性能。在ｍｉｎｉＩｍａｇｅＮｅｔ 數據集上，１-Ｓｈｏｔ 設置的準確率為８６． ９６％ ，５-Ｓｈｏｔ 設置的準確率為９６． ７６％ 。在ＣＵＢ-２００２-２０１１ 數據集上，１-Ｓｈｏｔ 設置的準確率為７６． １３％ ，５-Ｓｈｏｔ 設置的準確率為８８． ７０％ 。與其他方法相比，ＧＢ-ＰｒｏｔｏＮｅｔ的優勢主要體現在以下方面。

利用ＧＮＮ 捕捉圖像的局部特征。ＧＮＮ 能夠有效地學習圖像中的節點信息，這對于小樣本圖像分類任務非常重要。ＧＢ-ＰｒｏｔｏＮｅｔ 使用ＧｒａｐｈＳＡＧＥ 來生成圖像特征，通過鄰接聚合學習圖的節點特征，從而能夠更好地捕捉圖像的局部信息。

使用雙特征提取模塊進行分類。雙特征提取模塊能夠從全局和局部兩方面來學習特征，可以提高分類性能。ＧＢ-ＰｒｏｔｏＮｅｔ 使用２ 個特征提取模塊，其中殘差特征提取模塊用于生成圖像全局特征，ＧＮＮ特征提取模塊用于生成局部特征。

２． ５ 消融實驗

消融實驗是評估模型性能的重要手段之一。通過消融實驗，可以分析模型的不同組成部分對性能的影響，從而更好地理解模型的工作機制。在數據集ｍｉｎｉＩｍａｇｅＮｅｔ 上對ＧＢ-ＰｒｏｔｏＮｅｔ 進行消融實驗，以分析ＧＮＮ 特征提取模塊和標簽平滑的交叉熵損失函數對模型性能的影響。實驗結果如表３ 所示。

在消融實驗中，ＧＢ-ＰｒｏｔｏＮｅｔ-Ａｂｌａｔｉｏｎ-１ 為保留殘差特征提取模塊、使用交叉熵損失函數的模型，ＧＢ-ＰｒｏｔｏＮｅｔ-Ａｂｌａｔｉｏｎ-２ 為保留雙特征提取模塊、使用交叉熵損失函數的模型，ＧＢ-ＰｒｏｔｏＮｅｔ 為使用雙特征提取模塊、使用標簽平滑交叉熵損失函數的模型。實驗結果表明，當添加ＧＮＮ 特征提取模塊時，分類效果有所提升，說明ＧＮＮ 能有效提取模型的局部信息，增強模型的特征提取能力。模型ＧＢ-ＰｒｏｔｏＮｅｔ 在ｍｉｎｉＩｍａｇｅＮｅｔ 數據集上的５-Ｗａｙ １-Ｓｈｏｔ 和５-Ｗａｙ ５-Ｓｈｏｔ 兩種設置的分類性能最佳，準確率分別達到８７． ０５％ 和９６． ７６％ 。

３ 結束語。

現有的小樣本圖像分類模型存在特征提取不足、信息單一等問題。針對這些問題，提出了一種結合ＧＮＮ 的雙特征提取的原型網絡———ＧＢ-ＰｒｏｔｏＮｅｔ。ＧＢ-ＰｒｏｔｏＮｅｔ 采用雙特征提取器，分別使用ＲｅｓＮｅｔ和基于ＧｒａｐｈＳＡＧＥ 的ＧＮＮ 提取樣本的全局特征和局部特征。全局特征反映了樣本的整體信息，而局部特征反映了樣本的局部細節。在訓練階段，ＧＢ-ＰｒｏｔｏＮｅｔ 使用標簽平滑交叉熵損失函數，該損失函數可以有效緩解模型在訓練過程中的極端值問題，提高模型的穩定性。通過對比實驗，本文提出的ＧＢ-ｒｏｔｏＮｅｔ 模型在ｍｉｎｉＩｍａｇｅＮｅｔ 數據集上，１-Ｓｈｏｔ設置下的準確率為８６． ９６％ ，５-Ｓｈｏｔ 設置下的準確率為９６． ７６％ ；在ＣＵＢ-２００２-２０１１ 數據集上，１-Ｓｈｏｔ 設置下的準確率為７６． １３％ ，５-Ｓｈｏｔ 設置下的準確率為８８． ７０％ 。相較于ＰｒｏｔｏＮｅｔ、ＲｅｌａｔｉｏｎＮｅｔ、ＭＡＭＬ、ＤｅｅｐＥＭＤ 等同類模型，ＧＢ-ＰｒｏｔｏＮｅｔ 在２ 個數據集上均取得了最優性能，充分驗證了其先進性和有效性。

參考文獻

［１］ ＸＵ Ｍ Ｌ，ＹＯＯＮ Ｓ，ＦＵＥＮＴＥＳ Ａ，ｅｔ ａｌ． Ａ ＣｏｍｐｒｅｈｅｎｓｉｖｅＳｕｒｖｅｙ ｏｆ Ｉｍａｇｅ Ａｕｇｍｅｎｔａｔｉｏｎ Ｔｅｃｈｎｉｑｕｅｓ ｆｏｒ ＤｅｅｐＬｅａｒｎｉｎｇ［Ｊ］． Ｐａｔｔｅｒｎ Ｒｅｃｏｇｎｉｔｉｏｎ，２０２２，１３７：１０９３４７．

［２］ ＫＨＡＬＩＦＡ Ｎ Ｅ，ＬＯＥＹ Ｍ，ＭＩＲＪＡＬＩＬＩ Ｓ． Ａ ＣｏｍｐｒｅｈｅｎｓｉｖｅＳｕｒｖｅｙ ｏｆ Ｒｅｃｅｎｔ Ｔｒｅｎｄｓ ｉｎ Ｄｅｅｐ Ｌｅａｒｎｉｎｇ ｆｏｒ Ｄｉｇｉｔａｌ Ｉｍａｇｅｓ Ａｕｇｍｅｎｔａｔｉｏｎ ［Ｊ ］． Ａｒｔｉｆｉｃｉａｌ Ｉｎｔｅｌｌｉｇｅｎｃｅ Ｒｅｖｉｅｗ，２０２１，５５（３）：２３５１－２３７７．

［３］ ＧＯＯＤＦＥＬＬＯＷ Ｉ，ＰＯＵＧＥＴＡＢＡＤＩＥ Ｊ，ＭＩＲＺＡ Ｍ，ｅｔ ａｌ．Ｇｅｎｅｒａｔｉｖｅ Ａｄｖｅｒｓａｒｉａｌ Ｎｅｔｗｏｒｋｓ［Ｊ］． Ｃｏｍｍｕｎｉｃａｔｉｏｎｓ ｏｆｔｈｅ ＡＣＭ，２０２０，６３（１１）：１３９－１４４．

［４］ ＡＬＩＧＯＭＢＥ Ａ，ＥＬＹＡＮ Ｅ． ＭＦＣＧＡＮ：ＣｌａｓｓｉｍｂａｌａｎｃｅｄＤａｔａｓｅｔ Ｃｌａｓｓｉｆｉｃａｔｉｏｎ Ｕｓｉｎｇ Ｍｕｌｔｉｐｌｅ Ｆａｋｅ Ｃｌａｓｓ ＧｅｎｅｒａｔｉｖｅＡｄｖｅｒｓａｒｉａｌ Ｎｅｔｗｏｒｋ ［Ｊ ］． Ｎｅｕｒｏｃｏｍｐｕｔｉｎｇ，２０１９，３６１：２１２－２２１．

［５］ ＹＡＮＧ Ｈ，ＺＨＯＵ Ｙ． ＩＤＡＧＡＮ：Ａ Ｎｏｖｅｌ Ｉｍｂａｌａｎｃｅｄ ＣａｔａＡｕｇｍｅｎｔａｔｉｏｎ ＧＡＮ［Ｃ］∥２０２０ ２５ｔｈ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｐａｔｔｅｒｎ Ｒｅｃｏｇｎｉｔｉｏｎ （ＩＣＰＲ）． Ｍｉｌａｎ：ＩＥＥＥ，２０２１：８２９９－８３０５．

［６］ ＺＨＵＡＮＧ Ｆ Ｚ，ＱＩ Ｚ Ｙ，ＤＵＡＮ Ｋ Ｙ，ｅｔ ａｌ． Ａ ＣｏｍｐｒｅｈｅｎｓｉｖｅＳｕｒｖｅｙ ｏｎ Ｔｒａｎｓｆｅｒ Ｌｅａｒｎｉｎｇ ［Ｊ ］． Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅＩＥＥＥ，２０２０，１０９（１）：４３－７６．

［７］ ＡＧＡＲＷＡＬ Ｎ，ＳＯＮＤＨＩ Ａ，ＣＨＯＰＲＡ Ｋ，ｅｔ ａｌ． ＴｒａｎｓｆｅｒＬｅａｒｎｉｎｇ：Ｓｕｒｖｅｙ ａｎｄ Ｃｌａｓｓｉｆｉｃａｔｉｏｎ［Ｊ］． Ｓｍａｒｔ Ｉｎｎｏｖａｔｉｏｎｓｉｎ Ｃｏｍｍｕｎｉｃａｔｉｏｎ ａｎｄ Ｃｏｍｐｕｔａｔｉｏｎａｌ Ｓｃｉｅｎｃｅｓ，２０２１，１１６８：１４５－１５５．

［８］ ＬＩ Ｘ Ｘ，ＳＵＮ Ｚ，ＸＵＥ Ｊ Ｈ，ｅｔ ａｌ． Ａ Ｃｏｎｃｉｓｅ Ｒｅｖｉｅｗ ｏｆ Ｒｅｃｅｎｔ Ｆｅｗｓｈｏｔ ＭｅｔａＬｅａｒｎｉｎｇ Ｍｅｔｈｏｄｓ［Ｊ］． Ｎｅｕｒｏｃｏｍｐｕｔｉｎｇ，２０２１，４５６：４６３－４６８．

［９］ ＰＥＮＧ Ｈ． Ａ Ｃｏｍｐｒｅｈｅｎｓｉｖｅ Ｏｖｅｒｖｉｅｗ ａｎｄ Ｓｕｒｖｅｙ ｏｆ ＲｅｃｅｎｔＡｄｖａｎｃｅｓ ｉｎ Ｍｅｔａｌｅａｒｎｉｎｇ ［ＥＢ ／ ＯＬ］． （２０２０ － ０４ － １７ ）［２０２４－０２－０１］． ｈｔｔｐｓ：∥ａｒｘｉｖ． ｏｒｇ ／ ａｂｓ／ ２００４． １１１４９．

［１０］ ＬＩ Ｘ Ｘ，ＹＡＮＧ Ｘ Ｃ，ＭＡ Ｚ Ｙ，ｅｔ ａｌ． Ｄｅｅｐ Ｍｅｔｒｉｃ Ｌｅａｒｎｉｎｇｆｏｒ Ｆｅｗｓｈｏｔ Ｉｍａｇｅ Ｃｌａｓｓｉｆｉｃａｔｉｏｎ：Ａ Ｒｅｖｉｅｗ ｏｆ Ｒｅｃｅｎｔ Ｄｅｖｅｌｏｐｍｅｎｔｓ［Ｊ］． Ｐａｔｔｅｒｎ Ｒｅｃｏｇｎｉｔｉｏｎ，２０２３，１３８：１０９３８１．

［１１］ ＳＵＮＧ Ｆ，ＹＡＮＧ Ｙ Ｘ，ＺＨＡＮＧ Ｌ，ｅｔ ａｌ． Ｌｅａｒｎｉｎｇ ｔｏ Ｃｏｍｐａｒｅ：Ｒｅｌａｔｉｏｎ Ｎｅｔｗｏｒｋ ｆｏｒ Ｆｅｗｓｈｏｔ Ｌｅａｒｎｉｎｇ［Ｃ］∥２０１８ＩＥＥＥ ／ ＣＶＦ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｃｏｍｐｕｔｅｒ Ｖｉｓｉｏｎ ａｎｄ ＰａｔｔｅｒｎＲｅｃｏｇｎｉｔｉｏｎ （ＣＶＰＲ）． Ｓａｌｔ Ｌａｋｅ Ｃｉｔｙ：ＩＥＥＥ Ｃｏｍｐｕｔｅｒ Ｓｏｃｉｅｔｙ，２０１８：１１９９－１２０８．

［１２］ ＳＮＥＬＬ Ｊ，ＳＷＥＲＳＫＹ Ｋ，ＺＥＭＥＬ Ｒ． Ｐｒｏｔｏｔｙｐｉｃａｌ Ｎｅｔｗｏｒｋｓｆｏｒ Ｆｅｗｓｈｏｔ Ｌｅａｒｎｉｎｇ［Ｃ］∥Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ ３１ｓｔ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｎｅｕｒａｌ Ｉｎｆｏｒｍａｔｉｏｎ Ｐｒｏｃｅｓｓｉｎｇ Ｓｙｓｔｅｍｓ． Ｎｅｗ Ｙｏｒｋ：ＡＣＭ，２０１７：４０８０－４０９０．

［１３］ ＶＩＮＹＡＬＳ Ｏ，ＢＬＵＮＤＥＬＬ Ｃ，ＬＩＬＬＩＣＲＡＰ Ｔ，ｅｔ ａｌ． ＭａｔｃｈｉｎｇＮｅｔｗｏｒｋｓ ｆｏｒ Ｏｎｅ Ｓｈｏｔ Ｌｅａｒｎｉｎｇ ［Ｃ］∥ Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ３０ｔｈ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｎｅｕｒａｌ Ｉｎｆｏｒｍａｔｉｏｎ Ｐｒｏｃｅｓｓｉｎｇ Ｓｙｓｔｅｍｓ． ［Ｓ． ｌ． ］：ＡＣＭ，２０１６：３６３７－３６４５．

［１４］ ＦＩＮＮ Ｃ，ＡＢＢＥＥＬ Ｐ，ＬＥＶＩＮＥ Ｓ． Ｍｏｄｅｌａｇｎｏｓｔｉｃ Ｍｅｔａｌｅａｒｎｉｎｇ ｆｏｒ Ｆａｓｔ Ａｄａｐｔａｔｉｏｎ ｏｆ Ｄｅｅｐ Ｎｅｔｗｏｒｋｓ［Ｃ］∥ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｍａｃｈｉｎｅ Ｌｅａｒｎｉｎｇ． Ｓｙｄｎｅｙ：ＡＣＭ，２０１７：１１２６－１１３５．

［１５］ ＺＨＡＮＧ Ｃ，ＣＡＩ Ｙ Ｊ，ＬＩＮ Ｇ Ｓ，ｅｔ ａｌ． ＤｅｅｐＥＭＤ：Ｄｉｆｆｅｒｅｎｔｉａｂｌｅ Ｅａｒｔｈ Ｍｏｖｅｒｓ Ｄｉｓｔａｎｃｅ ｆｏｒ Ｆｅｗｓｈｏｔ Ｌｅａｒｎｉｎｇ ［Ｊ］．ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｐａｔｔｅｒｎ Ａｎａｌｙｓｉｓ ａｎｄ Ｍａｃｈｉｎｅ Ｉｎｔｅｌｌｉｇｅｎｃｅ，２０２２，４５（５）：５６３２－５６４８．

［１６］ 任維鑫，曹新亮，白宗文． 一種單樣本農作物病害識別方法［Ｊ］． 無線電工程，２０２３，５３（２）：４８４－４８９．

［１７］ ＹＵ Ｚ Ｃ，ＷＡＮＧ Ｋ，ＸＩＥ Ｓ Ｘ，ｅｔ ａｌ． Ｐｒｏｔｏｔｙｐｉｃａｌ ＮｅｔｗｏｒｋＢａｓｅｄ ｏｎ Ｍａｎｈａｔｔａｎ Ｄｉｓｔａｎｃｅ［Ｊ］． Ｃｏｍｐｕｔｅｒ Ｍｏｄｅｌｉｎｇ ｉｎＥｎｇｉｎｅｅｒｉｎｇ ＆ Ｓｃｉｅｎｃｅｓ，２０２２，１３１（２）：６５５－６７５．

［１８］ 陸妍，王陽萍，王文潤． 基于Ｔｒａｎｓｆｏｒｍｅｒ 的小樣本細粒度圖像分類方法［Ｊ］． 計算機工程與應用，２０２３，５９（２３）：２１９－２２７．

［１９］ 許華杰，梁書偉． 采用特征圖增強原型的小樣本圖像分類方法［Ｊ］． 計算機科學與探索，２０２４，１８ （４ ）：９９０－１０００．

［２０］ ＺＨＯＵ Ｊ，ＣＵＩ Ｇ Ｑ，ＨＵ Ｓ Ｄ，ｅｔ ａｌ． Ｇｒａｐｈ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋｓ：Ａ Ｒｅｖｉｅｗ ｏｆ Ｍｅｔｈｏｄｓ ａｎｄ Ａｐｐｌｉｃａｔｉｏｎｓ ［Ｊ］． ＡＩ Ｏｐｅｎ，２０２０，１：５７－８１．

［２１］ 楊潔，董一鴻，錢江波． 基于圖神經網絡的小樣本學習方法研究進展［Ｊ］． 計算機研究與發展，２０２４，６１（４）：８５６－８７６．

［２２］ ＺＨＯＮＧ Ｘ，ＧＵ Ｃ，ＹＥ Ｍ，ｅｔ ａｌ． Ｇｒａｐｈ ＣｏｍｐｌｅｍｅｎｔｅｄＬａｔｅｎｔ Ｒｅｐｒｅｓｅｎｔａｔｉｏｎ ｆｏｒ Ｆｅｗｓｈｏｔ Ｉｍａｇｅ Ｃｌａｓｓｉｆｉｃａｔｉｏｎ［Ｊ ］． ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｍｕｌｔｉｍｅｄｉａ，２０２３，２５：１９７９－１９９０．

［２３］ ＸＩＯＮＧ Ｃ，ＬＩ Ｗ，ＬＩＵ Ｙ，ｅｔ ａｌ． Ｍｕｌｔｉｄｉｍｅｎｓｉｏｎａｌ ＥｄｇｅＦｅａｔｕｒｅｓ Ｇｒａｐｈ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ ｏｎ Ｆｅｗｓｈｏｔ Ｉｍａｇｅ Ｃｌａｓｓｉｆｉｃａｔｉｏｎ［Ｊ］． ＩＥＥＥ Ｓｉｇｎａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｌｅｔｔｅｒｓ，２０２１，２８：５７３－５７７．

［２４］ ＴＯＮＧ Ｘ Ｙ，ＹＩＮ Ｊ Ｈ，ＨＡＮ Ｂ Ｎ，ｅｔ ａｌ． Ｆｅｗｓｈｏｔ Ｌｅａｒｎｉｎｇｗｉｔｈ Ａｔｔｅｎｔｉｏｎｗｅｉｇｈｔｅｄ Ｇｒａｐｈ Ｃｏｎｖｏｌｕｔｉｏｎａｌ Ｎｅｔｗｏｒｋｓ ｆｏｒＨｙｐｅｒｓｐｅｃｔｒａｌ Ｉｍａｇｅ Ｃｌａｓｓｉｆｉｃａｔｉｏｎ［Ｃ］∥ＩＥＥＥ ＩｎｔｅｒｎａｔｉｏｎａｌＣｏｎｆｅｒｅｎｃｅ ｏｎ Ｉｍａｇｅ Ｐｒｏｃｅｓｓｉｎｇ （ＩＣＩＰ ）． Ａｂｕ Ｄｈａｂｉ：ＩＥＥＥ，２０２０：１６８６－１６９０．

［２５］ ＣＨＥＮ Ｃ，ＬＩ Ｋ Ｌ，ＷＥＩ Ｗ，ｅｔ ａｌ． Ｈｉｅｒａｒｃｈｉｃａｌ ＧｒａｐｈＮｅｕｒａｌ Ｎｅｔｗｏｒｋｓ ｆｏｒ Ｆｅｗｓｈｏｔ Ｌｅａｒｎｉｎｇ［Ｊ］． ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｃｉｒｃｕｉｔｓ ａｎｄ Ｓｙｓｔｅｍｓ ｆｏｒ Ｖｉｄｅｏ Ｔｅｃｈｎｏｌｏｇｙ，２０２２，３２（１）：２４０－２５２．

［２６］ 李凡，賈東立，姚昱，等． 結合殘差與自注意力機制的圖卷積小樣本圖像分類網絡［Ｊ］． 計算機科學，２０２３，５０（增刊１）：３７６－３８０．

［２７］ ＨＥ Ｋ Ｍ，ＺＨＡＮＧ Ｘ Ｙ，ＲＥＮ Ｓ Ｑ，ｅｔ ａｌ． Ｄｅｅｐ ＲｅｓｉｄｕａｌＬｅａｒｎｉｎｇ ｆｏｒ Ｉｍａｇｅ Ｒｅｃｏｇｎｉｔｉｏｎ［Ｃ］∥Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅＩＥＥＥ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｃｏｍｐｕｔｅｒ Ｖｉｓｉｏｎ ａｎｄ Ｐａｔｔｅｒｎ Ｒｅｃｏｇｎｉｔｉｏｎ． Ｌａｓ Ｖｅｇａｓ：ＩＥＥＥ，２０１６：７７０－７７８．

［２８］ ＨＡＭＩＬＴＯＮ Ｗ Ｌ，ＹＩＮＧ Ｚ，ＬＥＳＫＯＶＥＣ Ｊ． Ｉｎｄｕｃｔｉｖｅ Ｒｅｐｒｅｓｅｎｔａｔｉｏｎ Ｌｅａｒｎｉｎｇ ｏｎ Ｌａｒｇｅ Ｇｒａｐｈｓ［Ｃ］∥ Ｐｒｏｃｅｅｄｉｎｇｓｏｆ ｔｈｅ ３１ｓｔ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｎｅｕｒａｌ ＩｎｆｏｒｍａｔｉｏｎＰｒｏｃｅｓｓｉｎｇ Ｓｙｓｔｅｍｓ． Ｎｅｗ Ｙｏｒｋ：ＡＣＭ，２０１７：１０２５－１０３５．

［２９］ ＷＡＨ Ｃ，ＢＲＡＮＳＯＮ Ｓ，ＷＥＬＩＮＤＥＲ Ｐ，ｅｔ ａｌ． Ｔｈｅ ＣａｌｔｅｃｈＵＣＳＤ Ｂｉｒｄｓ２００２０１１ Ｄａｔａｓｅｔ［ＤＢ］． ［２０２４－０１－１０］． ｈｔｔｐ：∥ｗｗｗ． ｖｉｓｉｏｎ． ｃａｌｔｅｃｈ． ｅｄｕ ／ ｄａｔａｓｅｔｓ ／ ｃｕｂ＿２００＿２０１１ ／ ．

作者簡介

齊露露 女，（１９９８—），碩士研究生。主要研究方向：小樣本圖像分類。

（*通信作者）俞衛琴 女，（１９８２—），博士，副教授，碩士生導師。主要研究方向：非線性動力學理論與應用。