面向细粒度少样本分类的任务导向通道注意力
计算机视觉与模式识别
2023-08-02 v1
摘要
细粒度图像分类的困难主要来自类间共享的整体外观。因此，识别区分性细节（如鸟类的眼睛和喙）是该任务的关键。然而，当训练数据有限时，这尤其具有挑战性。为此，我们提出任务差异最大化（TDM），一种面向细粒度少样本分类的任务导向通道注意力方法，具有两个新颖模块：支持注意力模块（SAM）和查询注意力模块（QAM）。SAM突出编码类间区分性特征的通道，而QAM为查询的物体相关通道分配更高权重。基于这些子模块，TDM通过同时聚焦于编码类区分性细节且被查询拥有的通道，产生任务自适应特征，用于支持与查询实例间准确的类敏感相似度度量。虽然TDM通过通道重要性任务自适应校准影响高层特征图，我们进一步引入实例注意力模块（IAM），通过将QAM扩展而作用于特征提取器的中间层，以实例方式突出物体相关通道。TDM与IAM的优点及其互补收益在细粒度少样本分类任务中得到实验验证。此外，IAM也被证明在粗粒度和跨域少样本分类中有效。
引用
@article{arxiv.2308.00093,
title = {Task-Oriented Channel Attention for Fine-Grained Few-Shot Classification},
author = {SuBeen Lee and WonJun Moon and Hyun Seok Seong and Jae-Pil Heo},
journal= {arXiv preprint arXiv:2308.00093},
year = {2023}
}
备注
arXiv admin note: text overlap with arXiv:2207.01376