面向少样本图像分类的多层相关网络
计算机视觉与模式识别
2024-12-05 v1 计算与语言
摘要
少样本图像分类（FSIC）旨在给定来自基类的少数标记图像来识别新类。最近的工作尤其是针对度量学习方法，通常只在图像特征层级上使用度量。在本文中，我们认为仅在此层级上进行度量可能不足以有效地从基类泛化到仅用少数图像的新类。因此，本文考虑对图像进行多层描述符。我们为 FSIC 提出了多层相关网络（MLCN），通过有效捕获局部信息来解决此问题。具体而言，我们提出了自相关模块和交叉相关模块，基于学习的表示在局部信息上学习语义对应关系。此外，我们提出了模式相关模块来捕获细粒度图像的模式，并在基类和新类之间找到相关结构模式。大量实验和分析表明，我们提出的方法在四个广泛使用的 FSIC 基准上有效。我们的方法代码可在：https://github.com/Yunkai696/MLCN 获取。
引用
@article{arxiv.2412.03159,
title = {Multi-Level Correlation Network For Few-Shot Image Classification},
author = {Yunkai Dang and Min Zhang and Zhengyu Chen and Xinliang Zhang and Zheng Wang and Meijun Sun and Donglin Wang},
journal= {arXiv preprint arXiv:2412.03159},
year = {2024}
}