基于原型中心注意力学习的少样本动作识别
计算机视觉与模式识别
2021-10-26 v4
摘要
少样本动作识别旨在利用少量训练样本识别动作类别。现有多数方法采用带有情景训练的元学习策略。在每一情景中，元训练任务中的少量样本被划分为支持集与查询集。前者用于构建分类器，随后使用以查询为中心的损失在后者上评估以更新模型。然而存在两个主要局限：仅以查询为中心的损失设计导致数据效率不足，以及无法处理支持集离群样本与类间分布重叠问题。本文通过提出一种由两项新组件构成的原型中心注意力学习（PAL）模型克服了上述局限。首先，引入原型中心对比学习损失以补充常规以查询为中心的学习目标，从而充分利用每情景中的有限训练样本。其次，PAL 进一步集成混合注意力学习机制，可最小化离群值的负面影响并促进类间分离。在四个标准少样本动作基准上的大量实验表明，我们的方法明显优于以往最优方法，在最具挑战性的细粒度动作识别基准上提升尤为显著（10+%）。
引用
@article{arxiv.2101.08085,
title = {Few-shot Action Recognition with Prototype-centered Attentive Learning},
author = {Xiatian Zhu and Antoine Toisoul and Juan-Manuel Perez-Rua and Li Zhang and Brais Martinez and Tao Xiang},
journal= {arXiv preprint arXiv:2101.08085},
year = {2021}
}
备注
10 pages, 4 figures