NDPNet：一种用于少样本细粒度图像分类的新型非线性数据投影网络
计算机视觉与模式识别
2021-07-12 v3 机器学习
摘要
基于度量的少样本细粒度图像分类（FSFGIC）旨在通过学习查询图像与极少样本的支持类别之间的相似性，得到一个可迁移的特征嵌入网络。在本工作中，我们首次提出将非线性数据投影概念引入 FSFGIC 架构的设计，以解决少样本学习中的小样本问题，同时提升模型在细粒度图像分类中的判别能力。具体而言，我们首先设计了一个特征再抽象嵌入网络，该网络不仅能够获取有效度量学习所需的语义特征，还能利用输入图像中更精细的细节对这些特征进行再增强。然后，在我们提出的相似性度量学习网络中，将查询图像与支持类别的描述符投影到不同的非线性空间中，以学习有判别力的投影因子。该设计能在 FSFGIC 任务极具挑战且受限的条件下有效运作，使同类样本间距离更小、异类样本间距离更大，并降低不同类别样本间的耦合关系。此外，提出了一种基于所提非线性数据投影的新型相似性度量方法，用于评估查询图像与支持集之间特征信息的关系。值得注意的是，我们提出的架构可轻松嵌入任意 episodic 训练机制中，从头进行端到端训练。在 FSFGIC 任务上的大量实验证明了所提方法优于当前最先进的基准。
引用
@article{arxiv.2106.06988,
title = {NDPNet: A novel non-linear data projection network for few-shot fine-grained image classification},
author = {Weichuan Zhang and Xuefang Liu and Zhe Xue and Yongsheng Gao and Changming Sun},
journal= {arXiv preprint arXiv:2106.06988},
year = {2021}
}