更精细的比较：面向少样本细粒度学习的成对对齐双线性网络
计算机视觉与模式识别
2020-01-22 v2
摘要
人类的识别能力是以渐进的方式发展的。通常，儿童在有限的监督下学习从粗粒度到细粒度地判别各种物体。受这一学习过程的启发，我们提出了一种简单而有效的模型用于少样本细粒度（FSFG）识别，试图利用元学习来解决这一具有挑战性的细粒度识别任务。所提出的方法称为成对对齐双线性网络（PABN），是一个端到端的深度神经网络。与用于细粒度分类的传统深度双线性网络采用自双线性池化来捕获图像的细微特征不同，该模型使用一种新颖的成对双线性池化来比较基础图像与查询图像之间的细微差异，以学习深度距离度量。为了将基础图像特征与查询图像特征进行匹配，我们在所提出的成对双线性池化之前设计了特征对齐损失。在四个细粒度分类数据集和一个通用少样本数据集上的实验结果表明，该模型优于当前最先进的少样本细粒度方法和通用少样本方法。
引用
@article{arxiv.1904.03580,
title = {Compare More Nuanced:Pairwise Alignment Bilinear Network For Few-shot Fine-grained Learning},
author = {Huaxi Huang and Junjie Zhang and Jian Zhang and Qiang Wu and Jingsong Xu},
journal= {arXiv preprint arXiv:1904.03580},
year = {2020}
}
备注
ICME 2019 Oral