学习聚焦：用于少样本图像识别的级联特征匹配网络
计算机视觉与模式识别
2021-01-14 v1
摘要
深度网络可以通过在大量标注图像上训练，准确学习识别某一类别的物体。然而，当每一类别仅可用少量标注图像来学习识别模型时，便出现了称为少样本图像识别任务的元学习挑战。测试/查询图像与训练/支持图像中的物体在尺寸、位置、风格等方面可能存在差异。我们提出一种称为级联特征匹配网络（CFMN）的方法来解决该问题。我们训练元学习器，通过特征匹配块学习更细粒度且自适应的深度距离度量；该块能将相关联的特征对齐在一起，并自然忽略那些非判别性特征，从而更关注比较图像间具有高相关性的特征。通过在少样本识别网络的不同层中应用所提特征匹配块，比较图像间的多尺度信息可被整合进最终的级联匹配特征中，从而进一步提升识别性能，并通过关系学习获得更好的泛化能力。在两个标准数据集 miniImageNet 与 Omniglot 上的少样本学习实验证实了方法的有效性。此外，我们在 COCO 的一个新数据划分上首次研究了多标签少样本任务，进一步展示了所提特征匹配网络在复杂图像上执行少样本学习的优越性。代码将公开提供。
引用
@article{arxiv.2101.05018,
title = {Learning to Focus: Cascaded Feature Matching Network for Few-shot Image Recognition},
author = {Mengting Chen and Xinggang Wang and Heng Luo and Yifeng Geng and Wenyu Liu},
journal= {arXiv preprint arXiv:2101.05018},
year = {2021}
}
备注
14 pages