多级二阶少样本学习
计算机视觉与模式识别
2022-01-19 v1
摘要
我们提出一种多级二阶（MlSo）少样本学习网络，用于有监督或无监督少样本图像分类与少样本动作识别。我们利用所谓的幂归一化二阶基学习器流，结合表达多级视觉抽象的特征，并使用自监督判别机制。由于二阶池化（SoP）在图像识别中很流行，我们在流程中采用其基础逐元素变体。多级特征设计的目的是在 CNN 的不同层级别提取特征表示，实现若干级视觉抽象以达到鲁棒的少样本学习。由于 SoP 可处理不同空间尺寸的卷积特征图，我们还将多空间尺度图像输入引入 MlSo。为利用多级与多尺度特征中的判别信息，我们开发了特征匹配（FM）模块来重新加权各自分支。我们还引入一个自监督步骤，作为空间级别与抽象尺度的判别器。我们的流程以端到端方式训练。凭借简单架构，我们在标准数据集（如 Omniglot、mini-ImageNet、tiered-ImageNet、Open MIC）、细粒度数据集（如 CUB Birds、Stanford Dogs 和 Cars）以及动作识别数据集（如 HMDB51、UCF101 和 mini-MIT）上展示了可观的结果。
引用
@article{arxiv.2201.05916,
title = {Multi-level Second-order Few-shot Learning},
author = {Hongguang Zhang and Hongdong Li and Piotr Koniusz},
journal= {arXiv preprint arXiv:2201.05916},
year = {2022}
}
备注
IEEE Transactions on Multimedia