基于前景物体变换的细粒度少样本学习
计算机视觉与模式识别
2021-09-14 v1
摘要
传统细粒度图像分类一般需要大量标注样本以应对类间差异小但类内差异大的问题。然而，在许多场景中，我们对于一些新颖子类别可能仅有有限样本，从而导致细粒度少样本学习 (FG-FSL) 设定。为应对这一挑战性任务，我们提出一种名为前景物体变换 (FOT) 的新方法，其由前景物体提取器和姿态变换生成器组成。前者旨在去除图像背景，因为背景会放大类内差异同时减小类间差异，从而增加细粒度图像分类的难度。后者变换前景物体的姿态，为新颖子类别生成额外样本。作为一种数据增强方法，FOT 可便捷地应用于任何现有少样本学习算法，并大幅提高其于 FG-FSL 任务上的性能。特别地，结合 FOT，简单的微调基线方法在归纳设定和转导设定下均可与最先进方法竞争。此外，FOT 可进一步提升最新优秀方法的性能并使其达到新的最先进水平。另外，我们也展示了 FOT 在通用 FSL 任务上的有效性。
引用
@article{arxiv.2109.05719,
title = {Fine-Grained Few Shot Learning with Foreground Object Transformation},
author = {Chaofei Wang and Shiji Song and Qisen Yang and Xiang Li and Gao Huang},
journal= {arXiv preprint arXiv:2109.05719},
year = {2021}
}
备注
Accepted by Neurocomputing