基于分层表示的查询特定原型网络用于少样本图像分类
计算机视觉与模式识别
2021-03-23 v1
摘要
少样本图像分类旨在利用少量带标签训练数据识别未见类别。近期基于度量的框架倾向于用固定原型(如支持类别的均值)表示支持类,并根据查询实例与支持原型之间的相似性进行分类。然而,判别性主导区域可能位于图像的不确定区域且具有不同尺度,这会导致错位度量。此外,一个支持类别的固定原型无法适配所有查询实例以准确反映它们与该类别的距离,这降低了度量效率。因此,应提取支持样本中与查询特定的主导区域以实现高质量度量。为解决这些问题,我们提出一种基于分层表示的查询特定原型网络(QPN),通过为每个查询样本生成区域级原型来应对上述局限,从而同时实现位置与维度上的语义对齐。在五个基准数据集(包括三个细粒度数据集)上进行的大量实验表明,我们提出的方法优于当前最先进的方法。
引用
@article{arxiv.2103.11384,
title = {Hierarchical Representation based Query-Specific Prototypical Network for Few-Shot Image Classification},
author = {Yaohui Li and Huaxiong Li and Haoxing Chen and Chunlin Chen},
journal= {arXiv preprint arXiv:2103.11384},
year = {2021}
}