LDCA：用于少样本学习的上下文增强局部描述符
计算机视觉与模式识别
2024-01-25 v1
摘要
少样本图像分类已成为计算机视觉领域的关键挑战，凸显了以最少标注数据快速适应新任务的能力。现有方法主要依赖图像级特征或局部描述符，往往忽略了这些描述符周围的整体上下文。在本工作中，我们引入了一种称为“上下文增强局部描述符（LDCA）”的新方法。具体而言，该方法通过利用自适应全局上下文增强模块，独特地弥合了局部与全局理解之间的差距。该模块结合了视觉 Transformer，赋予局部描述符上下文感知能力，涵盖从广阔的全局视角到复杂的周围细节。由此，LDCA 超越了传统的基于描述符的方法，确保每个局部特征在其更大的视觉叙事中被解释。大量实验证实了我们方法的有效性，在细粒度分类数据集上比次优方法实现了最高 20% 的绝对提升，从而证明了在少样本分类任务中的显著进步。
引用
@article{arxiv.2401.13499,
title = {LDCA: Local Descriptors with Contextual Augmentation for Few-Shot Learning},
author = {Maofa Wang and Bingchen Yan},
journal= {arXiv preprint arXiv:2401.13499},
year = {2024}
}