为少样本学习学习更具判别性的局部描述子
计算机视觉与模式识别
2023-05-16 v1
摘要
图像分类的少样本学习已成为计算机视觉中的热点，其旨在从少量标注图像中快速学习并泛化至新任务。本文受 Fisher Score 思想启发，提出一种判别性局部描述子注意力（DLDA）模型，其自适应地选择具代表性的局部描述子且不引入任何额外参数，而现有大多数基于局部描述子的方法利用神经网络，不可避免地涉及繁琐的参数调优。此外，我们通过依据 个最近邻到查询点的距离调整其权重来修正传统的 -NN 分类模型。在四个基准数据集上的实验表明，我们的方法不仅相比 SOTA 少样本学习方法取得更高准确率，而且对 的选择具有更低的敏感性。
引用
@article{arxiv.2305.08721,
title = {Learning More Discriminative Local Descriptors for Few-shot Learning},
author = {Qijun Song and Siyun Zhou and Liwei Xu},
journal= {arXiv preprint arXiv:2305.08721},
year = {2023}
}