Multi-scale cross-attention for multi-class imbalanced image classification

Maryam Imani

doi:10.1016/j.array.2026.101336

Multi-scale cross-attention for multi-class imbalanced image classification

2026-10-15

0

OA

AI

DOI：10.1016/j.array.2026.101336

原文链接

摘要

En 中文

本文通过正负多尺度交叉注意力（PNMSCA）网络解决了多类别不平衡图像分类任务。所提出的PNMSCA方法探索了输入图像与少数类和多数类在多个尺度上的特征兼容性得分。为此，从少数类和多数类代表中计算正负多尺度交叉注意力特征，并将其融合。多尺度交叉注意力特征被用作卷积网络中的加权因子，并通过残差连接注入模型。PNMSCA方法采用紧凑、参数高效的架构模型，在基准SVHN、CIFAR-10和FER2013图像数据集上相较于多个竞争方法显著提升了分类性能。在SVHN数据集上，PNMSCA在多数类上实现了约0.88%的平均Fmeasure提升，而在少数类上提升增至约1.87%。在CIFAR-10上，PNMSCA也实现了整体分类性能的持续提升，平均Fmeasure优于竞争方法。对于FER2013，PNMSCA相较于最佳非PNMSCA方法，在少数类上实现了约5.96%的平均Fmeasure提升。这些结果证明了PNMSCA在不平衡图像分类中的有效性，特别是在提升训练样本有限类别的识别能力方面。

Keyword:

Cross-attention

Residual learning

Multi-scale

Convolutional neural network

Imbalanced image classification

Multi-scale cross-attention for multi-class imbalanced image classification

摘要

期刊

机构

引用论文