利用弱监督目标定位改进少样本学习
计算机视觉与模式识别
2021-05-26 v1
摘要
少样本学习通常涉及基于度量学习的分类器，其通过比较提取的特征向量与类表示之间的距离来预测图像标签。然而，在特征提取器后端应用全局池化可能产生未正确聚焦于类目标的嵌入。在本工作中，我们提出了一种新颖的框架，通过从图像中与类相关的区域提取特征来生成类表示。在仅给定少量带有图像级标签的示例图像的情况下，我们的框架首先通过空间分解图像与其类原型之间的相似性来定位类目标。然后，从定位结果中获得增强的类表示。我们还提出了一种损失函数以增强精炼特征的区分度。我们的方法在 miniImageNet 和 tieredImageNet 基准上优于基线少样本模型。
引用
@article{arxiv.2105.11715,
title = {Improving Few-shot Learning with Weakly-supervised Object Localization},
author = {Inyong Koo and Minki Jeong and Changick Kim},
journal= {arXiv preprint arXiv:2105.11715},
year = {2021}
}
备注
5 pages, 4 figures