用于少样本学习的聚类块元素连接
计算机视觉与模式识别
2024-07-18 v3
摘要
弱特征表示问题长期影响着少样本分类任务的性能。为缓解该问题，近期研究者通过嵌入块特征在支持集与查询集样本间建立连接以生成判别性表示。然而，我们观察到这些局部块之间存在语义错配（前景/背景），因为目标物体的位置和大小并不固定。更糟糕的是，这些错配导致不可靠的相似度置信度，而复杂的密集连接加剧了该问题。据此，我们提出一种新颖的聚类块元素连接（CEC）层来纠正错配问题。CEC层利用块聚类与元素连接操作分别收集并建立与高相似度块特征的可靠连接。此外，我们提出一个CECNet，包含基于CEC层的注意力模块与距离度量。前者受益于全局聚类块特征以生成更具判别性的表示，后者用于可靠度量成对特征间的相似度。大量实验表明，我们的CECNet在分类基准上优于最先进的方法。进一步地，我们的CEC方法可扩展至多少样本分割与检测任务，并取得了具有竞争力的性能。
引用
@article{arxiv.2304.10093,
title = {Clustered-patch Element Connection for Few-shot Learning},
author = {Jinxiang Lai and Siqian Yang and Junhong Zhou and Wenlong Wu and Xiaochen Chen and Jun Liu and Bin-Bin Gao and Chengjie Wang},
journal= {arXiv preprint arXiv:2304.10093},
year = {2024}
}