面向少样本学习的任务感知对比局部描述子选择策略

少样本图像分类旨在使用少量标记样本对新类别进行分类。近期研究表明，深度局部描述子具有更好的表征能力。这些研究认识到背景噪声对分类性能的影响，通常通过支撑类中所有局部描述子来过滤查询描述子，或在支撑集和查询集之间的局部描述子中进行双向选择。然而，他们忽略了背景特征可能对特定任务的分类性能有益这一事实。本文提出一种新颖的任务感知对比局部描述子选择网络(TCDSNet)。首先，我们计算支撑类中每个局部描述子的对比判别得分，并选择判别性较强的局部描述子以形成支撑描述子子集。最后，我们利用支撑描述子子集对特定任务的查询描述子进行自适应选择。大量实验表明，该方法在通用数据集和细粒度数据集上均优于当前最先进的方法。