面向少样本学习的类特定通道注意力
计算机视觉与模式识别
2022-12-14 v2
摘要
少样本学习（FSL）因其在无需大量数据的情况下进行模型训练的能力而在计算机视觉中受到越来越多的关注。FSL具有挑战性，因为训练与测试类别（基类与新颖类集合）可能差异很大。旨在将大规模标注训练集上学到的知识迁移到目标测试集的常规基于迁移的解决方案存在局限，因为任务分布偏移的关键不利影响未得到充分解决。本文通过引入度量学习与通道注意力的概念，扩展了基于迁移方法的解决方案。为更好地利用特征骨干提取的特征表示，我们提出类特定通道注意力（CSCA）模块，其通过学习为每个类分配一个CSCA权重向量来突出每类中具判别性的通道。与设计为学习全局类特征的通用注意力模块不同，CSCA模块旨在以非常高效的计算学习局部且类特定的特征。我们在包括miniImagenet、Tiered-ImageNet、CIFAR-FS与CUB-200-2011的标准基准上评估了CSCA模块的性能。实验在归纳式与域内/跨域设置下进行。我们取得了新的SOTA结果。
引用
@article{arxiv.2209.01332,
title = {Class-Specific Channel Attention for Few-Shot Learning},
author = {Ying-Yu Chen and Jun-Wei Hsieh and Ming-Ching Chang},
journal= {arXiv preprint arXiv:2209.01332},
year = {2022}
}
备注
There are errors in the phase of testing, leading to the wrong results listed in the paper