利用形状进行分类：具有显式形状偏置的低样本学习
计算机视觉与模式识别
2021-06-22 v2 机器学习
摘要
普遍认为对物体形状进行推理对物体识别十分重要。然而，当今最强大的物体识别方法在学习过程中并未显式利用物体形状。受低样本学习近期进展、发展心理学发现以及计算机视觉研究中合成数据使用增加的启发，本文探究如何利用三维形状推理提升低样本学习方法的泛化性能。我们提出一种新方式，通过利用三维物体形状学习判别性嵌入空间，并学习如何将图像映射至该空间，从而改进现有低样本学习方法。我们的新方法在多个数据集上提升了仅基于图像的低样本学习方法的性能。我们还引入 Toys4K，一个具有当前可用最多物体类别数的三维物体数据集，以支持低样本学习。
引用
@article{arxiv.2101.07296,
title = {Using Shape to Categorize: Low-Shot Learning with an Explicit Shape Bias},
author = {Stefan Stojanov and Anh Thai and James M. Rehg},
journal= {arXiv preprint arXiv:2101.07296},
year = {2021}
}
备注
Accepted at CVPR2021. Project page, code and data available at https://rehg-lab.github.io/publication-pages/lowshot-shapebias/