面向少样本识别的属性引导与纯视觉注意力对齐
计算机视觉与模式识别
2021-02-04 v3
摘要
少样本识别旨在用每类数量有限的标注样本识别新颖类别。为鼓励从补充视角学习，近期方法将辅助语义模态引入有效的度量学习框架，旨在学习训练样本（支持集）与测试样本（查询集）间的特征相似性。然而，这些方法仅用可用语义增强样本表示，却忽略了查询集，丧失了改进潜力，并可能导致模态组合与纯视觉表示之间的偏移。本文设计一种属性引导注意力模块（AGAM）以利用人工标注属性并学习更具判别力的特征。该即插即用模块使视觉内容与对应属性共同聚焦于支持集的重要通道与区域。而对于无属性可用的查询集，也实现了仅含视觉信息的特征选择。因此，两集的表示均以细粒度方式得到提升。此外，提出一种注意力对齐机制，将属性引导的知识蒸馏至无属性样本的纯视觉分支。大量实验与分析表明，所提模块能显著改进简单基于度量的方法，在不同数据集与设定下达到最优性能。
引用
@article{arxiv.2009.04724,
title = {Attributes-Guided and Pure-Visual Attention Alignment for Few-Shot Recognition},
author = {Siteng Huang and Min Zhang and Yachen Kang and Donglin Wang},
journal= {arXiv preprint arXiv:2009.04724},
year = {2021}
}
备注
An expanded version of the same-name paper accepted by AAAI-2021