自适应细粒度基于草图的图像检索

近期细粒度基于草图的图像检索（FG-SBIR）的关注点已转向将模型泛化到无任何训练数据的新类别。然而，在真实应用中，训练好的FG-SBIR模型常同时应用于新类别和不同人类绘者，即不同绘图风格。尽管这使泛化问题更复杂，但幸运的是，通常可获得少量样本，使模型能适应新类别/风格。本文提供一种新视角——我们不要求一个能泛化的模型，而主张一个能快速适应的模型，仅在测试时以极少样本（少样本方式）适应。为解决这一新问题，我们引入了基于模型无关元学习（MAML）的新框架并做了若干关键修改：（1）作为带有基于间隔对比损失的检索任务，我们简化了内环中的MAML训练以使其更稳定和可处理。（2）我们对比损失中的间隔也与模型其余部分一起被元学习。（3）外环中引入了三个额外的正则化损失，以使元学习的FG-SBIR模型对类别/风格适应更有效。在公开数据集上的大量实验表明，相较泛化和基于零样本的方法以及若干强少样本基线，有大幅提升。