面向细粒度少样本分类的变分特征解耦

细粒度少样本识别常受限于新类别训练数据稀缺的问题。由于训练数据不足，网络往往过拟合且对未见类别泛化不佳。已有许多方法被提出以合成额外数据来支持训练。本文中，我们聚焦于扩大未见类别的类内方差以提升少样本分类性能。我们假设类内方差的分布可在基类与 novel 类之间泛化。因此，基类的类内方差可迁移至新类以进行特征增强。具体而言，我们首先通过变分推断对基类上的类内方差分布建模。随后将学到的分布迁移至新类以生成额外特征，这些特征与原始特征一同用于训练分类器。实验结果表明，在具有挑战性的细粒度少样本图像分类基准上，相较最先进的方法取得了显著提升。