配对匹配：可视觉解释的少样本图像分类
计算机视觉与模式识别
2020-11-26 v1
摘要
少样本学习（FSL）方法通常基于这样一种假设：可从基（已见）类别中获得预训练知识，并能很好地迁移到新（未见）类别。然而，这一点无法保证，尤其是对于后一部分。该问题导致大多数 FSL 方法的推理过程具有未知性，阻碍其在某些风险敏感领域的应用。本文中，我们揭示了一种执行图像分类 FSL 的新方式，利用骨干模型的视觉表示以及由新近出现的可解释分类器生成的权重。加权表示仅包含最少数量的可区分特征，且可视化的权重可作为 FSL 过程的信息提示。最后，判别器将比较支持集与查询集中每对图像的表示。得分最高的配对将决定分类结果。实验结果证明，所提方法在三个主流数据集上能同时取得良好的准确率和令人满意的可解释性。
引用
@article{arxiv.2011.12527,
title = {Match Them Up: Visually Explainable Few-shot Image Classification},
author = {Bowen Wang and Liangzhi Li and Manisha Verma and Yuta Nakashima and Ryo Kawasaki and Hajime Nagahara},
journal= {arXiv preprint arXiv:2011.12527},
year = {2020}
}