用于少样本学习的增强双路径网络
计算机视觉与模式识别
2021-03-09 v1
摘要
少样本学习（FSL）旨在从少量标注训练数据中学习，因许多现实应用中标注成本高昂而成为热门研究方向。一类成功的 FSL 方法通过简单拼接两幅图像的特征并输入神经网络，来学习比较测试（查询）图像与训练（支持）图像。然而，每类仅有少量标注数据时，神经网络难以学习或比较两幅图像的局部特征。此种简单的图像级比较可能导致严重误分类。为解决该问题，我们提出增强双路径网络（ABNet），以学习在多尺度上比较全局与局部特征。具体而言，提取显著图像块并嵌入为每幅图像的局部特征；随后模型学习增强特征以提升鲁棒性；最后模型学习分别比较全局与局部特征，即经两条路径，再合并相似度。大量实验表明，所提 ABNet 优于当前最优方法。我们提供了定量与可视化消融研究，以验证所提模块带来更精准的比较结果。
引用
@article{arxiv.2007.07614,
title = {Augmented Bi-path Network for Few-shot Learning},
author = {Baoming Yan and Chen Zhou and Bo Zhao and Kan Guo and Jiang Yang and Xiaobo Li and Ming Zhang and Yizhou Wang},
journal= {arXiv preprint arXiv:2007.07614},
year = {2021}
}