探索类别相关特征用于少样本图像分类

少样本分类旨在用少量训练样本使分类器适应新类别。然而，训练数据的不足可能导致对某一类别特征分布的偏倚估计。为缓解此问题，我们提出了一种简单而有效的特征校正方法，通过探索新类别与基类别之间的类别相关性作为先验知识。我们通过将特征映射为维度与基类别数量匹配的潜向量来显式捕获此类相关性，将其视为特征在基类别上的对数概率。基于该潜向量，校正后的特征由解码器直接构建，我们期望其在去除其他随机因素的同时保留类别相关信息，从而更接近其类别中心。此外，通过改变 softmax 中的温度值，我们可以重新平衡特征校正与重构以获得更好性能。我们的方法通用、灵活且独立于任何特征提取器和分类器，易于嵌入现有的 FSL（少样本学习）方法中。实验验证我们的方法能够校正偏倚特征，尤其是当特征远离类别中心时。所提出的方法在三个广泛使用的基准上以不同主干网络和分类器评估，一致地获得了可观的性能提升。代码将公开。