TOAN:面向少标注样本细粒度图像分类的目标导向对齐网络
计算机视觉与模式识别
2021-04-02 v2
摘要
细粒度视觉分类中类内方差大但类间差异小的挑战在少标注样本下更为严峻,即少样本设定下的细粒度分类问题(FGFS)。高阶特征通常用于揭示 FGFS 中子类别间的细微差别,但在处理高类内方差时效果较差。本文中,我们提出一种目标导向对齐网络(TOAN)来探究目标查询图像与支持类别间的细粒度关系。每张支持图像的特征被变换以在嵌入特征空间中匹配查询图像,从而显式减小各类别内的差异。此外,不同于现有 FGFS 方法在全局图像上设计高阶特征而较少显式考虑判别性部位,我们通过将组合概念表示整合到全局二阶池化来生成判别性细粒度特征。在四个细粒度基准上的大量实验表明,与最先进(state-of-the-art)模型相比,TOAN 的有效性。
引用
@article{arxiv.2005.13820,
title = {TOAN: Target-Oriented Alignment Network for Fine-Grained Image Categorization with Few Labeled Samples},
author = {Huaxi Huang and Junjie Zhang and Jian Zhang and Qiang Wu and Chang Xu},
journal= {arXiv preprint arXiv:2005.13820},
year = {2021}
}
备注
T-CSVT Accepted