基于层次聚合的树结构感知少样本图像分类
计算机视觉与模式识别
2022-07-15 v1
摘要
本文主要关注如何通过 pretext 任务（例如旋转或颜色置换等）为少样本图像分类学习额外的特征表示的问题。这些由 pretext 任务生成的额外知识不同于人工标注的监督（即少样本学习（FSL）任务的类标签），可进一步提升 FSL 的性能。为解决该问题，我们提出一种插件式层次树结构感知（HTS）方法，其不仅学习 FSL 与 pretext 任务之间的关系，更重要的是能够自适应地选择并聚合由 pretext 任务生成的特征表示，以最大化 FSL 任务的性能。我们引入了层次树构建组件与门控选择聚合组件，用于构建树结构并寻找可快速适应仅含少量标注图像的新类的更丰富可迁移知识。大量实验表明，我们的 HTS 能显著增强多种少样本方法，在四个基准数据集上取得新的 SOTA 性能。代码见：https://github.com/remiMZ/HTS-ECCV22。
引用
@article{arxiv.2207.06989,
title = {Tree Structure-Aware Few-Shot Image Classification via Hierarchical Aggregation},
author = {Min Zhang and Siteng Huang and Wenbin Li and Donglin Wang},
journal= {arXiv preprint arXiv:2207.06989},
year = {2022}
}
备注
22 pages, 9 figures and 4 tables Accepted by ECCV 2022