重访局部描述子以改进少样本分类

少样本分类研究深度学习者如何基于少量支撑图像快速适应理解新类别的问题。在此背景下，近期的研究努力致力于设计越来越复杂的分类器来衡量查询图像与支撑图像之间的相似性，却很少探讨特征嵌入的重要性。我们表明，对复杂分类器的依赖是不必要的，直接将简单分类器应用于改进的特征嵌入反而可以优于文献中大多数领先方法。为此，我们提出一种名为\textbf{DCAP}的少样本分类新方法，其中我们探究如何通过利用\textbf{D}ense \textbf{C}lassification（密集分类）与\textbf{A}ttentive \textbf{P}ooling（注意力池化）来提升嵌入质量。具体而言，我们建议在具有充足样本的基类别上训练学习者以解决密集分类问题，随后在一组随机采样的少样本任务上对学习者进行元训练，使其适应少样本场景或测试时场景。在元训练期间，我们建议通过应用注意力池化而非广泛使用的全局平均池化（GAP）来池化特征图，以准备用于少样本分类的嵌入。注意力池化学习对局部描述子重新加权，解释了学习者所寻找的作为决策证据的内容。在两个基准数据集上的实验表明，所提方法在多种少样本设定下更优，同时更为简单且更具可解释性。代码见：\url{https://github.com/Ukeyboard/dcap/}。