通过学习深度形状感知特征进行小样本形状识别
计算机视觉与模式识别
2023-12-05 v1
摘要
由于在特征提取和分类方面的卓越性能，传统形状描述子已逐渐被卷积神经网络取代。SOTA 方法通过图像重建或像素分类来识别物体形状。然而，这些方法偏重于纹理信息而忽略了本质的形状描述，因此无法泛化到未见过的形状。我们是首个提出小样本形状描述子 (FSSD) 的团队，仅需一个或几个样本即可识别物体形状。我们为 FSSD 采用了一个嵌入模块来提取变换不变的形状特征。其次，我们开发了一种双重注意力机制，通过可学习的形状基元来分解和重建形状特征。这样，任何形状都可以通过一组有限的基形成，且学习到的表示模型具有高度可解释性并可扩展到未见过的形状。第三，我们提出了一种解码模块，以包含对形状掩码和边缘的监督，并对齐原始与重建的形状特征，强制学习到的特征更具形状感知性。最后，将所有提出的模块组装成一个少样本形状识别方案。在五个数据集上的实验表明，在少样本设置下，与 SOTA 相比，我们的 FSSD 显著提升了形状分类性能。
引用
@article{arxiv.2312.01315,
title = {Few-shot Shape Recognition by Learning Deep Shape-aware Features},
author = {Wenlong Shi and Changsheng Lu and Ming Shao and Yinjie Zhang and Siyu Xia and Piotr Koniusz},
journal= {arXiv preprint arXiv:2312.01315},
year = {2023}
}
备注
Accepted by WACV 2024; 8 pages for main paper