用于少样本定位与分类的原型区域提议网络

近期提出的少样本图像分类方法通常关注待分类对象为图像中心主体的用例。尽管在与此用例对齐的基准视觉数据集上取得了成功，这些方法在涉及密集标注、繁杂图像的用例上往往失效：此类图像在真实场景中很常见，其中相关对象并非中心主体，反而可能受遮挡、尺寸小，或出现在属于其他潜在关注类别的 incidental 对象之中。为定位相关对象，我们采用基于原型的少样本分割模型，将未标注查询图像的编码特征与支持集类别质心进行比较，以产生指示支持集类别在查询图像中存在与位置的区域提议。这些区域提议随后被用作少样本图像分类器的额外条件输入。我们开发了一个框架，将两阶段（分割与分类）统一为端到端分类模型——PRoPnet——并经验性地证明我们的方法在包含多类别物体的自然场景图像数据集上提升了准确率。