一种基于信息相似度的无类别特征记忆模块在分类上的应用

本发明提出了一种基于信息相似度的无类别特征记忆模块。该模块利用无类别记忆，以及无类别记忆注意增强机制，增强了特征表示，不依赖于数据集的特定的类别信息，能够帮助模型在面对新的数据时，仍然能够保持较好的性能。集成该模块的网络可以用于多种下游任务，如分类、目标检测、分割等。综合实验表明，当在最先进的神经网络模型中加入该模块时，在医学数据集和其他通用数据集上分类准确率、F1‑scores等指标有了很大的提升。