基于局部描述符加权规则的特征对齐小样本学习方法
计算机视觉与模式识别
2024-08-27 v1
摘要
小样本分类涉及使用有限数量的标注样本来识别新类别。当前基于局部描述符的小样本分类方法主要利用可见类与不可见类之间潜在的一致特征，面临着邻域信息冗余、噪声表示和可解释性有限等挑战。本文提出了一种基于局部描述符加权规则的特征对齐小样本学习方法（FAFD-LDWR）。该方法创新性地将交叉归一化方法引入小样本图像分类，以尽可能保留局部描述符的判别信息；并通过将支持集和查询集的关键局部描述符进行对齐以去除背景噪声，从而提升分类性能。FAFD-LDWR 在三个基准数据集上表现优异，在 1-shot 和 5-shot 设置下均优于最先进的方法。设计的可视化实验也证明了 FAFD-LDWR 在预测可解释性方面的提升。
引用
@article{arxiv.2408.14192,
title = {Feature Aligning Few shot Learning Method Using Local Descriptors Weighted Rules},
author = {Bingchen Yan},
journal= {arXiv preprint arXiv:2408.14192},
year = {2024}
}