基于元滤波器动态对齐的小样本学习方法
计算机视觉与模式识别
2021-03-26 v1 人工智能
摘要
小样本学习（FSL）旨在利用极有限的少样本（支撑）样例通过调整所学知识来识别新类别，仍是计算机视觉中一个重要开放问题。现有多数小样本学习特征对齐方法仅考虑图像级或空间级对齐，而忽略了通道差异。我们的见解是，这些方法会因冗余匹配导致不良适配，而利用通道-wise 调整是将所学知识良好适配新类别的关键。因此，本文中我们提出学习一种动态对齐，其能依据不同局部支撑信息有效突出查询区域与通道。具体而言，这通过首先基于输入的少样本动态采样特征位置的邻域来实现，并进一步据此预测一个位置依赖且通道依赖的动态元滤波器（Dynamic Meta-filter）。该滤波器用于以位置特定与通道特定的知识对齐查询特征。此外，我们采用神经常微分方程（ODE）以实现对对齐更精确的控制。就此意义而言，我们的模型能更好捕捉少样本样例的细粒度语义上下文，从而促成小样本学习的动态知识适配。所得框架在包括 miniImageNet 与 tieredImageNet 的主要小样本视觉识别基准上确立了新的最先进水平（state-of-the-art）。
引用
@article{arxiv.2103.13582,
title = {Learning Dynamic Alignment via Meta-filter for Few-shot Learning},
author = {Chengming Xu and Chen Liu and Li Zhang and Chengjie Wang and Jilin Li and Feiyue Huang and Xiangyang Xue and Yanwei Fu},
journal= {arXiv preprint arXiv:2103.13582},
year = {2021}
}
备注
accepted by CVPR2021