通过注意力特征正则化提升 Few-Shot Learning
计算机视觉与模式识别
2024-03-27 v1
摘要
基于流形正则化的 Few-shot learning (FSL) 旨在通过以混合因子混合来自不同类别的两个样本，提升在有限训练样本下对新物体的识别能力。然而，这种混合操作由于线性插值以及忽略特定通道的重要性，削弱了特征表示。为解决这些问题，本文提出了注意力特征正则化（Attentive Feature Regularization, AFR），旨在提高特征的表示能力与判别能力。在我们的方法中，首先计算不同类别语义标签之间的关系，以挑选出用于正则化的相关特征。然后，我们在实例级和通道级设计了两种基于注意力的计算。这些计算使得正则化过程能够关注两个关键方面：通过相关类别中的自适应插值实现特征互补，以及对特定特征通道的强调。最后，我们将这些正则化策略结合起来，显著提升了分类器的性能。在几个流行的 FSL 基准上的实验研究证明了 AFR 的有效性，它无需重新训练任何特征提取器即可提高新类别的识别准确率，尤其是在 1-shot 设置下。此外，所提出的 AFR 可以无缝集成到其他 FSL 方法中以提高分类性能。
引用
@article{arxiv.2403.17025,
title = {Boosting Few-Shot Learning via Attentive Feature Regularization},
author = {Xingyu Zhu and Shuo Wang and Jinda Lu and Yanbin Hao and Haifeng Liu and Xiangnan He},
journal= {arXiv preprint arXiv:2403.17025},
year = {2024}
}
备注
Accepted to AAAI 2024