基于随机性的样本过滤用于少样本学习
计算机视觉与模式识别
2025-08-15 v1
摘要
食品图像在少样本学习模型中呈现独特挑战，由于其视觉复杂性和多样性。例如，意大利面菜可能以不同的装饰呈现于不同的盘子中，并处于多种光照条件和摄像机视角下。这种问题导致在比较查询图像与支持图像时，难以聚焦于最重要的元素，从而导致误分类。为解决此问题，我们提出了一种用于少样本学习的基于随机性的样本过滤方法（Stochastic-based Patch Filtering for Few-Shot Learning, SPFF），以注意力聚焦于显示与类别表示更相关的样本嵌入。SPFF的关键概念涉及对样本嵌入进行随机过滤，那些与类别感知嵌入不太相似的样本更可能被丢弃。根据样本出现的概率对样本嵌入进行过滤后，我们使用相似度矩阵来量化查询图像与其相应支持图像之间的关系。通过定性分析，我们展示了SPFF有效地聚焦于类别特定食品特征最突出的样本位置，同时成功地过滤掉不相关的样本。我们通过在少样本分类基准测试（Food-101、VireoFood-172和UECFood-256）上的大量实验验证了我们的方案，超越了现有的SOTA方法。
引用
@article{arxiv.2508.10066,
title = {Stochastic-based Patch Filtering for Few-Shot Learning},
author = {Javier Rodenas and Eduardo Aguilar and Petia Radeva},
journal= {arXiv preprint arXiv:2508.10066},
year = {2025}
}
备注
CVPR Workshop MetaFood 2025