基于类层级挖掘的实例级小样本学习
计算机视觉与模式识别
2023-05-10 v1
摘要
小样本学习旨在解决新类别中训练数据稀缺的问题。然而，先前关于实例级小样本学习的工作较少关注有效利用类别之间的关系。本文中，我们利用层级信息来借助基类的判别性与相关性特征，以有效分类新物体。这些特征从基类的丰富数据中提取，可用于合理描述数据稀缺的类别。具体而言，我们提出了一种新颖的 superclass（超类）方法，该方法自动构建层级，将基类和新类视为细粒度类别，用于小样本实例分割（FSIS）。基于该层级信息，我们设计了一种称为 Soft Multiple Superclass（SMS，软多超类）的新框架，以提取同一超类中类别的相关特征或特性。被分配到该超类的新类别可借助这些相关特征更容易分类。此外，为在 FSIS 中有效训练基于层级的检测器，我们应用标签细化来进一步描述细粒度类别之间的关联。大量实验证明了我们的方法在 FSIS 基准上的有效性。代码已在线发布。
引用
@article{arxiv.2304.07459,
title = {Instance-level Few-shot Learning with Class Hierarchy Mining},
author = {Anh-Khoa Nguyen Vu and Thanh-Toan Do and Nhat-Duy Nguyen and Vinh-Tiep Nguyen and Thanh Duc Ngo and Tam V. Nguyen},
journal= {arXiv preprint arXiv:2304.07459},
year = {2023}
}
备注
accepted by IEEE Transactions on Image Processing