面向少样本精细植物种类分类的局部前景选择感知特征重建
计算机视觉与模式识别
2025-01-14 v1
摘要
植物种类 exhibits 显著的类内变异且类间变异最小。为提高分类准确率，必须减少类内变异，同时最大化类间变异。本文针对样本数有限的植物种类分类问题，提出了一种新型的局部前景选择 (Local Foreground Selection, LFS) 注意力机制。LFS 是一个简单模块，用于生成判别性的 support 和 query 特征图。它通过集成两种注意力：局部注意力捕获局部空间细节以增强特征判别性并增加类间差异，前景选择注意力强调植物前景对象同时减轻背景干扰。通过聚焦前景，query 和 support 特征在选择性地突出显示相关特征序列并忽略不那么重要的背景序列，从而减少类内差异。来自三个植物种类数据集的实验结果表明，所提出的 LFS 注意力机制有效且相对于先前特征重建方法具有互补优势。
引用
@article{arxiv.2501.06909,
title = {Local Foreground Selection aware Attentive Feature Reconstruction for few-shot fine-grained plant species classification},
author = {Aisha Zulfiqar and Ebroul Izquiedro},
journal= {arXiv preprint arXiv:2501.06909},
year = {2025}
}