用于少样本图像分类的子空间表示学习
计算机视觉与模式识别
2021-05-06 v2
摘要
本文中，我们提出一种子空间表示学习（SRL）框架来解决少样本图像分类任务。它利用局部 CNN 特征空间中的一个子空间来表示一幅图像，并根据加权子空间距离（WSD）度量两幅图像之间的相似性。当每个类有 K 幅图像可用时，我们开发了两种类型的模板子空间来聚合 K-shot 信息：原型子空间（PS）和判别子空间（DS）。基于 SRL 框架，我们将基于度量学习的技术从向量表示扩展到子空间表示。虽然大多数先前工作采用全局向量表示，但使用子空间表示能有效保留图像内的空间结构和多样性。我们在三个公开基准数据集 MiniImageNet、TieredImageNet 和 Caltech-UCSD Birds-200-2011（CUB）上展示了 SRL 框架的有效性，实验结果表明我们的方法相比先前最先进方法具有竞争性或更优的性能。
引用
@article{arxiv.2105.00379,
title = {Subspace Representation Learning for Few-shot Image Classification},
author = {Ting-Yao Hu and Zhi-Qi Cheng and Alexander G. Hauptmann},
journal= {arXiv preprint arXiv:2105.00379},
year = {2021}
}