面向少样本细粒度图像分类的低秩成对对齐双线性网络
计算机视觉与模式识别
2021-03-11 v3
摘要
深度神经网络已在各种视觉分类任务中展现出先进能力，这严重依赖于带有标注真值的大规模训练样本。然而，在实际应用中始终要求此类标注是不现实的。近来，少样本学习（Few-Shot learning, FS）作为缓解训练样本不足的一种尝试，在通用分类任务中已取得显著进展。尽管如此，在给定有限训练数据的情况下，当前 FS 模型仍难以区分细粒度类别之间的细微差异。为弥补这一分类鸿沟，本文研究少样本细粒度（Few-Shot Fine-Grained, FSFG）分类问题，聚焦于在极具挑战性的少样本学习设定下解决细粒度分类。我们提出一种新颖的低秩成对双线性池化操作，以捕捉支持图像与查询图像之间的细微差异，从而学习有效的距离度量。此外，设计了一个特征对齐层，在比较之前将支持图像特征与查询图像特征进行匹配。我们将所提模型命名为低秩成对对齐双线性网络（Low-Rank Pairwise Alignment Bilinear Network, LRPABN），其以端到端方式训练。在四个广泛使用的细粒度分类数据集上的综合实验结果表明，我们的 LRPABN 模型相比当前最优方法取得了更优性能。
引用
@article{arxiv.1908.01313,
title = {Low-Rank Pairwise Alignment Bilinear Network For Few-Shot Fine-Grained Image Classification},
author = {Huaxi Huang and Junjie Zhang and Jian Zhang and Jingsong Xu and Qiang Wu},
journal= {arXiv preprint arXiv:1908.01313},
year = {2021}
}