通过条件表示学习增强小样本学习的环境鲁棒性

小样本学习（FSL）近期已被广泛用于克服特定领域视觉识别中训练数据稀缺的问题。在现实场景中，诸如复杂背景、变化的光照条件、远距离拍摄和移动目标等环境因素，常常导致测试图像出现大量不完整目标或噪声干扰。然而，当前对评估数据集和方法的研究在很大程度上忽略了“环境鲁棒性”的概念，即指在复杂多样的物理环境中保持性能一致的能力。这种忽视导致 FSL 模型在实际测试中的性能相比其训练性能显著下降。为弥补这一差距，我们引入了一个新的真实世界多域小样本学习（RD-FSL）基准，该基准包含四个领域和六个评估数据集。此基准中的测试图像包含各种挑战性元素，如伪装物体、小目标和模糊。我们的评估实验表明，现有方法难以有效利用训练图像为具有挑战性的测试图像生成准确的特征表示。为解决此问题，我们提出了一种新颖的条件表示学习网络（CRLNet），该网络将训练图像和测试图像之间的交互作为条件信息整合到它们各自的表示过程中。其主要目标是在特征表示层面减少类内方差或增强类间方差。最后，对比实验表明，CRLNet 超越了当前最先进的方法，在不同设置和骨干网络上实现了 6.83% 到 16.98% 的性能提升。源代码和数据集可在 https://github.com/guoqianyu-alberta/Conditional-Representation-Learning 获取。