用于可解释小样本图像分类的区域比较网络
计算机视觉与模式识别
2020-09-09 v1 人工智能
摘要
尽管深度学习已成功应用于许多现实世界的计算机视觉任务，但训练鲁棒的分类器通常需要大量良好标注的数据。然而，标注往往昂贵且耗时。因此，小样本图像分类被提出，以仅使用有限数量的标注样本训练新类别的模型。近期基于可迁移度量学习的工作通过学习查询集与支持集样本特征之间的相似性，取得了有前景的分类性能。然而，它们中很少显式考虑模型可解释性，而这在训练阶段实际上可以被揭示。为此，在本文中，我们提出了一种基于度量学习的方法，称为区域比较网络（RCN），它能够揭示小样本学习在神经网络中如何运作，并找出查询集与支持集图像中相互关联的特定区域。此外，我们还提出了一种称为区域激活映射（RAM）的可视化策略，通过可视化我们网络中的中间变量来直观解释我们的方法学到了什么。我们还提出了一种将可解释性从任务层面推广到类别层面的新方法，这也可视为一种寻找原型部件以支持 RCN 最终决策的方法。在四个基准数据集上的大量实验清楚地显示了我们的方法相对于现有基线的有效性。
引用
@article{arxiv.2009.03558,
title = {Region Comparison Network for Interpretable Few-shot Image Classification},
author = {Zhiyu Xue and Lixin Duan and Wen Li and Lin Chen and Jiebo Luo},
journal= {arXiv preprint arXiv:2009.03558},
year = {2020}
}