CIM：面向少样本分类的类无关映射
计算机视觉与模式识别
2021-09-08 v1
摘要
少样本分类（FSC）是近年来最受关注的热点问题之一。一般设置包括两个阶段：（1）使用基类数据（具有大量标注样本）预训练特征提取模型（FEM）。（2）使用FEM提取新类数据（具有少量标注样本且与基类数据类别完全不同）的特征，然后用待设计的分类器对其进行分类。预训练FEM对新类数据的适应性决定了新类特征的准确性，从而影响最终分类性能。为此，如何评估预训练FEM是FSC领域最关键的焦点。听起来传统的类激活映射（CAM）基于的方法可以通过叠加加权特征图来实现这一点。然而，由于FSC的特殊性（例如，使用预训练FEM提取新类特征时不存在反向传播），我们无法用新类激活特征图。为应对这一挑战，我们提出了一种简单灵活的方法，称为类无关映射（CIM）。具体而言，首先，我们引入字典学习理论，将特征图的通道视为字典中的基。然后我们利用特征图拟合图像的特征向量以获得相应的通道权重。最后，我们叠加加权特征图进行可视化，以评估预训练FEM在新类数据上的能力。为在评估不同模型时公平使用CIM，我们提出了一种称为特征定位精度（FLA）的新度量指标。在实验中，我们首先在常规任务中将我们的CIM与CAM进行比较并取得了优异性能。接下来，我们使用我们的CIM在不考虑分类结果的情况下评估若干经典FSC框架并对其进行讨论。
引用
@article{arxiv.2109.02840,
title = {CIM: Class-Irrelevant Mapping for Few-Shot Classification},
author = {Shuai Shao and Lei Xing and Yixin Chen and Yan-Jiang Wang and Bao-Di Liu and Yicong Zhou},
journal= {arXiv preprint arXiv:2109.02840},
year = {2021}
}