斜流形上的转导式少样本分类
计算机视觉与模式识别
2021-08-10 v1
摘要
少样本学习（FSL）试图利用有限数据进行学习。本工作中，我们在欧氏空间中进行特征提取，并在斜流形（OM）上度量测地距离。特别地，为更好地提取特征，我们提出一种非参数的带空间金字塔池化的区域自注意力（RSSPP），实现了单图像特征的泛化能力与判别能力之间的权衡。然后，我们将特征嵌入OM作为一个点。此外，我们设计了一种基于斜距离的分类器（ODC），通过在可学习的切点更好地局部逼近OM的切空间中进行分类。最后，我们引入了转导式设置下一种新的参数初始化方法和新颖损失函数。大量实验证明了我们算法的有效性，并在流行基准mini-ImageNet、tiered-ImageNet和Caltech-UCSD Birds-200-2011（CUB）上优于最先进的方法。
引用
@article{arxiv.2108.04009,
title = {Transductive Few-Shot Classification on the Oblique Manifold},
author = {Guodong Qi and Huimin Yu and Zhaohui Lu and Shuzhao Li},
journal= {arXiv preprint arXiv:2108.04009},
year = {2021}
}
备注
ICCV2021