DCSCR：一种基于类特定协作表示的图像集分类网络

图像集分类（ISC）可视为比较由无序且异构图像组成的集合之间相似性的任务，这些图像数量和质量各不相同，近年来受到广泛关注。如何学习有效的特征表示以及如何探索不同图像集之间的相似性是该领域的两个关键且具有挑战性的问题。然而，现有的传统ISC方法基于原始像素特征对图像集进行分类，忽视了特征学习的重要性。现有的深度ISC方法可以学习深层特征，但无法在测量集距离时自适应地调整特征，导致在few-shot ISC中性能受限。为此，本文结合传统ISC方法与深度模型，提出一种新颖的few-shot ISC方法，称为Deep Class-specific Collaborative Representation（DCSCR）网络，用于同时学习每个图像集的帧级和概念级特征表示以及不同图像集之间的距离相似性。具体而言，DCSCR由一个全卷积深度特征提取器模块、全局特征学习模块和基于类特定协作表示的度量学习模块组成。深度特征提取器和全局特征学习模块用于学习（局部和全局）帧级特征表示，而基于类特定协作表示的度量学习模块被用于自适应地学习每个图像集的概念级特征表示，从而通过发展一种新的CSCR-based对比损失函数来获得不同图像集之间的距离相似性。在几个著名的few-shot ISC数据集上进行的广泛实验表明，该方法优于一些最先进的图像集分类算法。