面向少样本识别的弱监督组合特征聚合
计算机视觉与模式识别
2019-06-13 v1 机器学习
摘要
从少量样本中学习是机器学习中的一项挑战性任务。尽管近期针对该问题已取得一些进展，现有大多数方法忽略了视觉概念表征中的组合性（例如物体由部件构成或由其语义属性组合而成），而组合性是人类能够从少量样本中轻松学习的关键。为增强少样本学习模型的组合性，本文提出简洁而强大的组合特征聚合（Compositional Feature Aggregation, CFA）模块，作为深度网络的弱监督正则化。给定从输入提取的深度特征图，我们的 CFA 模块首先将特征空间解耦为建模不同属性的互不相交的语义子空间，然后在这些子空间内对每个子空间的局部特征进行双线性聚合。CFA 以语义与空间组合性显式正则化表征，从而为少样本识别任务生成判别性表征。此外，我们的方法在训练时不需要任何属性与物体部件的监督，因此可便捷地插入现有模型进行端到端优化，同时保持模型规模与计算开销几乎不变。在少样本图像分类与动作识别任务上的大量实验表明，我们的方法相较近期最先进（SOTA）方法取得了显著提升。
引用
@article{arxiv.1906.04833,
title = {Weakly-supervised Compositional FeatureAggregation for Few-shot Recognition},
author = {Ping Hu and Ximeng Sun and Kate Saenko and Stan Sclaroff},
journal= {arXiv preprint arXiv:1906.04833},
year = {2019}
}