用于小样本分类的交叉注意力网络
计算机视觉与模式识别
2019-10-18 v1
摘要
小样本分类旨在仅给定少量有标签样本的情况下，识别来自未见类别的无标签样本。未见类别和低数据问题使得小样本分类极具挑战性。许多现有方法独立地从有标签和无标签样本中提取特征，导致特征判别力不足。在这项工作中，我们提出了一种新颖的交叉注意力网络来解决小样本分类中的挑战性问题。首先，引入交叉注意力模块来处理未见类别问题。该模块为每对类别特征和查询样本特征生成交叉注意力图，以突出目标对象区域，使提取的特征更具判别力。其次，提出了一种转导推理算法来缓解低数据问题，该算法迭代地利用无标签查询集来增强支持集，从而使类别特征更具代表性。在两个基准数据集上的大量实验表明，我们的方法是一个简单、有效且计算高效的框架，并且性能优于最先进的方法。
引用
@article{arxiv.1910.07677,
title = {Cross Attention Network for Few-shot Classification},
author = {Ruibing Hou and Hong Chang and Bingpeng Ma and Shiguang Shan and Xilin Chen},
journal= {arXiv preprint arXiv:1910.07677},
year = {2019}
}
备注
12 pages, 4 figures. NeurIPS 2019 (Accepted)