面向少样本细粒度图像分类的混合特征协同重构网络
计算机视觉与模式识别
2024-07-03 v1
摘要
我们的研究聚焦于少样本细粒�图像分类，该任务面临两个主要挑战：细粒�目标的外观相似性和样本数量有限。在保留图像外观细节方面，传统的特征重构网络通常通过空间特征重构和最小化重构误差来增强关键特征的表示能力。然而，我们发现仅依赖单一类型的特征不足以准确捕获细粒�目标在样本有限场景下的类别间差异。相反，引入通道特征提供了额外的维度，有助于更好地理解和区分细粒度目标的类别间差异。因此，我们设计了新的混合特征协同重构网络（HFCR-Net）用于少样本细粒度图像分类，其中包括混合特征融合过程（HFFP）和混合特征重构过程（HFRP）。在 HFRP 中，我们融合通道特征和空间特征。通过动态权重调整，我们聚合任意两个位置之间的空间依赖关系以及每张图像不同通道之间的相关性，以增加类别间差异。此外，我们在 HFRP 中引入了通道维度的重构。通过通道维度和空间维度的协同重构，在 support-to-query 重构过程中进一步增加类别间差异，而在 query-to-support 重构过程中减少类别内差异。最终，我们在三个广泛使用的细粒度数据集上进行了大量实验，证明了该方法的有效性和优越性。
引用
@article{arxiv.2407.02123,
title = {Hybrid Feature Collaborative Reconstruction Network for Few-Shot Fine-Grained Image Classification},
author = {Shulei Qiu and Wanqi Yang and Ming Yang},
journal= {arXiv preprint arXiv:2407.02123},
year = {2024}
}