面向少样本学习的基元感知判别表示学习
计算机视觉与模式识别
2023-06-16 v2
摘要
少样本学习（FSL）旨在学习一个分类器，使其仅需少量标注样本即可轻松适应并识别新类别。近期一些 FSL 工作取得了有前景的分类性能，其利用图像级特征计算样本间相似度进行分类。然而，图像级特征忽略了物体丰富细粒度与结构信息，这些信息在已见与未见类别间可能具有可迁移性与一致性。人类如何利用少量样本轻松识别新类别？认知科学的一些研究认为，人类可通过基元（primitives）识别新类别。尽管基类和新型类别不重叠，但它们可共享部分基元。受上述研究启发，我们提出基元挖掘与推理网络（PMRN），基于度量式 FSL 模型学习基元感知表示。具体而言，我们首先并行加入自监督拼图任务（SSJ）于特征提取器，引导模型将对应物体部件的视觉模式编码至特征通道。为进一步挖掘判别表示，采用自适应通道分组（ACG）方法对空间与语义相关的视觉模式进行聚类与加权，生成一组视觉基元。为进一步增强基元的可判别性与可迁移性，我们提出基于图卷积网络的视觉基元关联推理网络（CRN），以学习丰富的结构信息及基元间内在关联。最后，基于片段式训练策略，在元任务中执行基元级度量分类。大量实验表明，我们的方法在六个标准基准上取得了最先进结果。
引用
@article{arxiv.2208.09717,
title = {Learning Primitive-aware Discriminative Representations for Few-shot Learning},
author = {Jianpeng Yang and Yuhang Niu and Xuemei Xie and Guangming Shi},
journal= {arXiv preprint arXiv:2208.09717},
year = {2023}
}