面向细粒度少样本分类的任务差异最大化
计算机视觉与模式识别
2022-07-06 v1 机器学习
摘要
识别诸如眼睛和喙等判别性细节对于区分细粒度类别十分重要，因为它们具有相似的整体外观。在这方面，我们引入任务差异最大化（TDM），一种用于细粒度少样本分类的简单模块。我们的目标是通过突出编码类别独特信息的通道来定位类间判别区域。具体而言，TDM 基于两个新颖组件学习任务特定的通道权重：支持注意力模块（SAM）和查询注意力模块（QAM）。SAM 产生一个支持权重以表示每个类别的通道级判别能力。然而，由于 SAM 基本仅基于有标签支持集，它可能易受此类支持集偏置的影响。因此，我们提出 QAM，其通过产生查询权重来补充 SAM，该查询权重对给定查询图像赋予对象相关通道更多权重。通过结合这两种权重，定义了类级的任务特定通道权重。然后将权重应用于生成更聚焦于判别性细节的任务自适应特征图。我们的实验验证了 TDM 的有效性及其在细粒度少样本分类中与先前方法的互补益处。
引用
@article{arxiv.2207.01376,
title = {Task Discrepancy Maximization for Fine-grained Few-Shot Classification},
author = {SuBeen Lee and WonJun Moon and Jae-Pil Heo},
journal= {arXiv preprint arXiv:2207.01376},
year = {2022}
}
备注
Accepted to CVPR 2022 as an oral presentation. Code is available at https://github.com/leesb7426/CVPR2022-Task-Discrepancy-Maximization-for-Fine-grained-Few-Shot-Classification