联合分布至关重要：面向少样本分类的深度布朗距离协方差
计算机视觉与模式识别
2022-04-12 v1 机器学习
机器学习
摘要
少样本分类是一项具有挑战性的问题，因为对于每个新任务仅给出极少的训练样本。解决该挑战的有效研究路线之一，聚焦于由查询图像与某类少量支持图像之间的相似性度量所驱动的深度表示学习。从统计角度看，这相当于度量图像特征的依赖性，这些特征被视为高维嵌入空间中的随机向量。先前的方法要么仅使用边际分布而未考虑联合分布，受限于有限的表示能力，要么虽利用联合分布但计算代价高昂。本文提出一种用于少样本分类的深度布朗距离协方差（DeepBDC）方法。DeepBDC的核心思想是通过度量嵌入特征的联合特征函数与边际乘积之间的差异性来学习图像表示。由于BDC度量是解耦的，我们将其构建为一个高度模块化且高效的网络层。此外，我们在两种不同的少样本分类框架中实例化了DeepBDC。我们在六个标准少样本图像基准上进行了实验，涵盖通用物体识别、细粒度分类和跨域分类。大量评估表明，我们的DeepBDC显著优于同类方法，同时确立了新的state-of-the-art结果。源代码可在 http://www.peihuali.org/DeepBDC 获取。
引用
@article{arxiv.2204.04567,
title = {Joint Distribution Matters: Deep Brownian Distance Covariance for Few-Shot Classification},
author = {Jiangtao Xie and Fei Long and Jiaming Lv and Qilong Wang and Peihua Li},
journal= {arXiv preprint arXiv:2204.04567},
year = {2022}
}
备注
Accepted to CVPR 2022 as an oral presentation. Equal contribution from first two authors