面向领域特定细粒度图像分类的小样本学习
计算机视觉与模式识别
2020-06-02 v3
摘要
在真实工业应用中，从少量样本学习识别新颖视觉类别对机器而言是一项具有挑战性的任务。相比之下，人类具备在极少监督下区分甚至相似物体的能力。本文试图解决小样本细粒度图像分类问题。我们提出一种特征融合模型，通过关注关键区域来挖掘判别性特征。该模型利用焦点区域定位机制来发现物体间感知相似的区域。采用高阶整合来捕获部件内部的交互信息。我们还设计了一种中心邻域损失（Center Neighbor Loss）以形成鲁棒的嵌入空间分布。此外，我们从海洋生态环境领域的真实应用中构建了典型的细粒度小样本学习数据集 miniPPlankton。我们进行了大量实验来验证所提方法的性能。结果表明，与当前最优（SOTA）模型相比，我们的模型取得了具有竞争力的性能。我们的工作是对面向领域特定工业应用的模型的有益补充。
引用
@article{arxiv.1907.09647,
title = {Few-shot Learning for Domain-specific Fine-grained Image Classification},
author = {Xin Sun and Hongwei Xv and Junyu Dong and Qiong Li and Changrui Chen},
journal= {arXiv preprint arXiv:1907.09647},
year = {2020}
}
备注
11 pages, 11 figures