小样本分类需要在极有限的带标数据中学习新类知识,该类算法可以缓解当前神经网络对数据的过度依赖,是一项极具价值和挑战性的研究。元学习策略在不同任务中学习通用知识,极大提升了机器学习方法在小样本分类中的表现。现有的小样本分类倾向于加深网络或设计复杂的网络结构,仍面临着特征提取能力较弱以及过拟合的问题。受人类的注意机制启发,该文围绕小样本分类网络的中间表示、特征提取以及关系推理三个方面,提出以下三种改进方法:提出基于描述子选择的小样本分类方法。该方法包含无监督描述子选择模块以及特征聚合模块,用于注意目标相关特征并增强元学习特征的中间表示:无监督描述子选择模块通过无监督地定位语义相关区域,选取特征图中的描述子并剔除主干网络提取的无关特征。选择后的特征由任务相关的池化模块聚合,可以进一步地提升小样本分类网络的中间表示质量。在Caltech-UCSD Bird和mini Image Net数据集下不同深度网络的实验证明,提出的方法在获得优秀小样本分类表现的同时,还能用于其他网络模型,进一步提升小样本分类性能。提出基于局部自注意力特征提取的小样本分类模型。在测试阶段,卷积网络的小样本特征提取面临跨域问题,即偏向于提取基类信息,若基类与新类样本特征偏差较大,则无法有效地提取新类的特征。为了增强小样本分类网络提取特征的能力,本文使用基于自注意力机制的特征提取方法,可以在图像局部特征之间建立长距离的相关性,从而比较小样本之间的细节差异,显著减少度量空间中小样本的类内距离,增加类间距离。此外,该文针对小样本任务,加入了层次化模块以及窗口机制以减少网络参数,避免小样本分类网络过拟合。提出融合任务信息的小样本分类关系网络。首先分析了用于小样本图像分类的关系网络的缺陷,并在自注意力提取局部特征的基础上更近一步,利用了小样本任务中蕴含的关系。提出的基于自注意力的Saber Net包含三个模块:融合空间关系的特征提取模块、融合样本关系的原型自适应模块以及融合通道关系的特征对齐模块。Saber Net在三个小样本数据集均获得了当前最优的小样本图像分类准确率,证明关系推理极大提升了网络的小样本分类表现。