TALDS-Net：用于少样本图像分类的任务感知自适应局部描述符选择
计算机视觉与模式识别
2024-09-04 v2 多媒体
摘要
少样本图像分类旨在利用少量样本对来自未见新颖类别的图像进行分类。近期的工作表明，与图像级特征相比，深度局部描述符展现出更强的表示能力。然而，大多数现有方法仅依赖于使用所有局部描述符或直接使用部分描述符，这可能导致关键信息的丢失。此外，这些方法主要强调查询描述符的选择，而忽略了支持集描述符。在本文中，我们提出了一种新颖的任务感知自适应局部描述符选择网络（TALDS-Net），该网络具备自适应选择任务感知支持集描述符和查询描述符的能力。具体而言，我们将每个局部支持集描述符与其他局部支持集描述符进行比较以获得最优支持集描述符子集，然后将查询描述符与最优支持集子集进行比较以获得具有判别性的查询描述符。大量实验表明，我们的 TALDS-Net 在通用和细粒度数据集上均优于 SOTA 方法。
引用
@article{arxiv.2312.05449,
title = {TALDS-Net: Task-Aware Adaptive Local Descriptors Selection for Few-shot Image Classification},
author = {Qian Qiao and Yu Xie and Ziyin Zeng and Fanzhang Li},
journal= {arXiv preprint arXiv:2312.05449},
year = {2024}
}
备注
4 pages, 1 figures, is accepted by ICASSP 2024