基于特征图重建网络的少样本分类
计算机视觉与模式识别
2021-04-28 v2 机器学习
摘要
在本文中，我们将少样本分类重新表述为隐空间中的重建问题。网络从给定类别的支持特征重建查询特征图的能力，预测查询属于该类别的成员关系。我们引入了一种新颖的少样本分类机制，通过闭式直接从支持特征回归到查询特征，而不引入任何新模块或大规模可学习参数。所得到的特征图重建网络比先前方法性能更优且计算更高效。我们在四个细粒度基准上以不同神经架构展示了持续且显著的准确率提升。我们的模型在 non-fine-grained 的 mini-ImageNet 与 tiered-ImageNet 基准上也具竞争力，且仅需极少的额外技巧。
引用
@article{arxiv.2012.01506,
title = {Few-Shot Classification with Feature Map Reconstruction Networks},
author = {Davis Wertheimer and Luming Tang and Bharath Hariharan},
journal= {arXiv preprint arXiv:2012.01506},
year = {2021}
}
备注
Accepted to CVPR 2021. Updated to match most recent version. Code is available at https://github.com/Tsingularity/FRN