计算机科学与探索

作者：冷强奎, 陶抒清

单位：辽宁工程技术大学 电子与信息工程学院，辽宁 葫芦岛 125105

关键词：不平衡图像分类,几何方法,特征缩放,边界样本挖掘,支持向量数据描述

基金：辽宁省教育厅科研项目（JYTMS20230819）；辽宁工程技术大学博士科研启动基金（21-1043）。

不平衡图像分类是计算机视觉领域的一大挑战。尽管深度学习技术已被广泛应用，但类别不平衡问题仍然显著，导致模型偏向多数类而忽视少数类。传统的数据采样方法易引入噪声或丢失关键信息，限制了模型的泛化能力。研究表明，将几何思想融入深度学习方法中是一种有效且创新的解决方案。几何思想通过优化特征空间结构、改进决策边界和增强数据多样性，显著提升了不平衡图像分类的性能。提出了一种新的几何深度学习方法，该方法集成了基于核函数的层次特征缩放技术（KHFS）和相对邻域边界样本挖掘手段（RNBM）。KHFS借鉴了基于核函数的支持向量数据描述（SVDD），通过层次聚类确定每类的中心点，并计算以中心点为球心的超球体半径，对各类特征向量进行相应缩放，从而增强少数类样本的表示能力。RNBM方法则通过构建相对邻域图来捕捉样本间的邻域关系，从中挖掘出不同类别交界处的边界样本，以约束类内样本的紧凑性和类间样本的分散性。此外，也引入了卷积块自注意力机制（CBSA），应用于卷积神经网络（CNN）特征提取模块，旨在关注输入数据中的关键信息。在CIFAR-10、CIFAR-100、CINIC-10三个基准数据集上的大量实验验证了该几何深度学习方法在解决数据不平衡问题方面优于现有模型的显著性能。

来源：2025年第7期

《计算机科学与探索》期刊编辑部

查看计算机科学与探索杂志2025年第7期