用于细粒度少样本学习的任务感知双相似度网络
计算机视觉与模式识别
2022-10-25 v1
摘要
细粒度少样本学习的目标是通过学习少量标注样本来识别同一超类下的子类别。近期大多数方法采用单一相似度度量，即仅使用全局或局部度量。然而，对于具有高类内方差和低类间方差的细粒度图像，探索全局不变特征和判别性局部细节是相当必要的。本文中，我们提出一种任务感知双相似度网络（TDSNet），其应用全局特征和局部块以获得更好的性能。具体而言，采用局部特征增强模块来激活具有强判别力的特征。此外，任务感知注意力挖掘整个任务中的重要块。最后，由全局特征和判别性局部块获得的类原型均被用于预测。在三个细粒度数据集上的大量实验表明，所提出的 TDSNet 与其他最先进算法相比取得了有竞争力的性能。
引用
@article{arxiv.2210.12348,
title = {A Task-aware Dual Similarity Network for Fine-grained Few-shot Learning},
author = {Yan Qi and Han Sun and Ningzhong Liu and Huiyu Zhou},
journal= {arXiv preprint arXiv:2210.12348},
year = {2022}
}
备注
accepted by PRICAI2022, codes: https://github.com/qiyanhero/TDSNet