面向少样本学习的多尺度自适应任务注意力网络
计算机视觉与模式识别
2020-12-01 v1 人工智能
机器学习
摘要
少样本学习的目标是利用少量带标签样本对未见类别进行分类。近来，基于低层信息度量学习的方法取得了令人满意的性能，因为局部表示（LRs）在已见类别与未见类别之间更具一致性。然而，这类方法大多独立地处理支持集中的每个类别，不足以度量特征之间的关系，尤其是在特定任务中。此外，当复杂背景中存在不同尺度的主导物体时，基于低层信息的度量学习方法表现不佳。为解决这些问题，本文提出一种新颖的面向少样本学习的多尺度自适应任务注意力网络（MATANet）。具体而言，我们首先使用多尺度特征生成器在不同尺度上生成多个特征。然后，提出一种自适应任务注意力模块，以在整个任务中筛选出最重要的局部表示。随后，利用类相似度模块与融合层计算查询图像与支持集之间的联合多尺度相似度。在流行基准上的大量实验清楚地表明，与最先进的方法相比，所提出的 MATANet 具有有效性。
引用
@article{arxiv.2011.14479,
title = {Multi-scale Adaptive Task Attention Network for Few-Shot Learning},
author = {Haoxing Chen and Huaxiong Li and Yaohui Li and Chunlin Chen},
journal= {arXiv preprint arXiv:2011.14479},
year = {2020}
}