用于少样本图像分类的解耦特征表示
计算机视觉与模式识别
2021-09-28 v1
摘要
学习可泛化的特征表示对少样本图像分类至关重要。尽管近期工作利用元任务进行少样本学习的任务特定特征嵌入，但其在许多具有挑战性的任务中受限，因为会受到图像样本的背景、域和风格等无关特征的干扰。本工作中，我们提出一种新颖的解耦特征表示框架，称为 DFR，用于少样本学习应用。DFR 能够自适应地将由分类分支建模的判别性特征与变化分支中与类别无关的组件解耦。一般而言，大多数流行的深度少样本学习方法均可作为分类分支插入，因此 DFR 能提升它们在各类少样本任务上的性能。此外，我们基于 DomainNet 提出了一个新的 FS-DomainNet 数据集，用于少样本域泛化任务的基准测试。我们使用相应的四个基准（即 mini-ImageNet、tiered-ImageNet、CUB 以及所提 FS-DomainNet）进行了大量实验，以评估所提 DFR 在通用与细粒度少样本分类以及少样本域泛化上的表现。得益于有效的特征解耦，基于 DFR 的少样本分类器在所有数据集上均取得了最先进（SOTA）结果。
引用
@article{arxiv.2109.12548,
title = {Disentangled Feature Representation for Few-shot Image Classification},
author = {Hao Cheng and Yufei Wang and Haoliang Li and Alex C. Kot and Bihan Wen},
journal= {arXiv preprint arXiv:2109.12548},
year = {2021}
}