并非所有实例贡献均等：用于少样本视觉识别的实例自适应类表示学习
计算机视觉与模式识别
2022-09-08 v1
摘要
少样本视觉识别是指从少量带标签实例中识别新颖视觉概念。许多少样本视觉识别方法采用基于度量的元学习范式，通过比较查询表示与类表示来预测查询实例的类别。然而，当前的基于度量的方法通常平等对待所有实例，因此在汇总用于类级表示的实例级表示时，往往获得有偏的类表示，因为并非所有实例在总结类级表示时都同等重要。例如，某些实例可能包含非代表性信息，如过多背景和无关概念的信息，从而使结果偏斜。为解决上述问题，我们提出了一种称为实例自适应类表示学习网络（ICRL-Net）的新型基于度量的元学习框架用于少样本视觉识别。具体而言，我们开发了自适应实例重评估网络，能够通过根据支持集中对应类的相对重要性学习和分配不同实例的自适应权重，在生成类表示时解决有偏表示问题。此外，我们设计了改进的双线性实例表示，并引入两种新颖的结构损失，即类内实例聚类损失和类间表示区分损失，以进一步调节实例重评估过程并精炼类表示。我们在四个常用少样本基准上进行了大量实验：miniImageNet、tieredImageNet、CIFAR-FS 和 FC100 数据集。与最先进方法的实验结果比较证明了我们的 ICRL-Net 的优越性。
引用
@article{arxiv.2209.03034,
title = {Not All Instances Contribute Equally: Instance-adaptive Class Representation Learning for Few-Shot Visual Recognition},
author = {Mengya Han and Yibing Zhan and Yong Luo and Bo Du and Han Hu and Yonggang Wen and Dacheng Tao},
journal= {arXiv preprint arXiv:2209.03034},
year = {2022}
}