面向少样本学习与细粒度少样本学习的弱监督目标定位
计算机视觉与模式识别
2020-12-15 v3 机器学习
机器学习
摘要
少样本学习(FSL)旨在从极少样本中学习新视觉类别，这是实际应用中的一项挑战性问题。许多少样本分类方法在通用图像上表现良好并能学习全局表示。然而，由于缺少细微与局部信息，它们无法同时很好地处理细粒度类别。我们认为定位是一种高效方法，因为它直接提供判别性区域，这对于低数据 regime 下的通用分类与细粒度分类均至关重要。本文提出基于自注意力的互补模块(SAC Module)以实现弱监督目标定位，更重要的是生成激活掩码用于选择判别性深度描述子以进行少样本分类。基于每个所选深度描述子，语义对齐模块(SAM)计算查询图像与支持图像间的语义对齐距离以提升分类性能。大量实验表明，我们的方法在各种设置下的基准数据集上优于最先进方法，尤其在细粒度少样本任务上。此外，当在miniImageNet上训练模型并在不同数据集上评估时，我们的方法取得优于先前方法的性能，展示了其优越的泛化能力。额外的可视化显示所提方法能更间隔地定位关键对象。
引用
@article{arxiv.2003.00874,
title = {Weakly-supervised Object Localization for Few-shot Learning and Fine-grained Few-shot Learning},
author = {Xiaojian He and Jinfu Lin and Junming Shen},
journal= {arXiv preprint arXiv:2003.00874},
year = {2020}
}
备注
8 pages, 6 figures, 6 tables