CAD：协同适配判别特征以改进少样本分类
计算机视觉与模式识别
2022-03-28 v1
摘要
少样本分类是一个具有挑战性的问题，旨在学习一个能够借助少量标注样本适应未见类别的模型。近期的方法预训练特征提取器，然后进行情景元学习的微调。其他方法利用空间特征学习像素级对应，同时联合训练分类器。然而，使用此类方法的结果显示改进甚微。本文受transformer风格自注意力机制的启发，提出了一种对少样本分类的判别特征进行交叉注意与重加权的策略。给定支持集和查询图像经全局池化后的基础表示，我们引入一个共享模块，该模块对特征进行投影并从两方面进行交叉注意：(i) 查询到支持集，以及 (ii) 支持集到查询。该模块计算特征间的注意力分数，生成同类特征的注意力池化表示，随后将其加回原始表示并接一个投影头。这有效地在两方面（i和ii）对特征进行重加权，从而产生更利于改进基于度量的元学习的特征。在公开基准上的大量实验表明，我们的方法比最先进方法高出3%~5%。
引用
@article{arxiv.2203.13465,
title = {CAD: Co-Adapting Discriminative Features for Improved Few-Shot Classification},
author = {Philip Chikontwe and Soopil Kim and Sang Hyun Park},
journal= {arXiv preprint arXiv:2203.13465},
year = {2022}
}
备注
CVPR2022