首页|融合弱监督目标定位的细粒度小样本学习

融合弱监督目标定位的细粒度小样本学习

扫码查看
原文链接
  • NETL
  • NSTL
  • 万方数据
  • 维普
目的 小样本学习旨在通过一幅或几幅图像来学习全新的类别.目前许多小样本学习方法基于图像的全局表征,可以很好地实现常规小样本图像分类任务.但是,细粒度图像分类需要依赖局部的图像特征,而基于全局表征的方法无法有效地获取图像的局部特征,导致很多小样本学习方法不能很好地处理细粒度小样本图像分类问题.为此,提出一种融合弱监督目标定位的细粒度小样本学习方法.方法 在数据量有限的情况下,目标定位是一个有效的方法,能直接提供最具区分性的区域.受此启发,提出了一个基于自注意力的互补定位模块来实现弱监督目标定位,生成筛选掩膜进行特征描述子的筛选.基于筛选的特征描述子,设计了一种语义对齐距离来度量图像最具区分性区域的相关性,进而完成细粒度小样本图像分类.结果 在miniImageNet数据集上,本文方法在1-shot和5-shot下的分类精度相较性能第2的方法高出0.56％和5.02％.在细粒度数据集Stanford Dogs和Stan-ford Cars数据集上,本文方法在1-shot和5-shot下的分类精度相较性能第2的方法分别提高了4.18％,7.49％和16.13,5.17％.在CUB 200-2011(Caltech-UCSD birds)数据集中,本文方法在5-shot下的分类精度相较性能第2的方法提升了1.82％.泛化性实验也显示出本文方法可以更好地同时处理常规小样本学习和细粒度小样本学习.此外,可视化结果显示出所提出的弱监督目标定位模块可以更完整地定位出目标.结论 融合弱监督目标定位的细粒度小样本学习方法显著提高了细粒度小样本图像分类的性能,而且可以同时处理常规的和细粒度的小样本图像分类.
Weakly-supervised object localization based fine-grained few-shot learning

贺小箭、林金福

展开 >

华南理工大学计算机科学与工程学院,广州 510006

弱监督目标定位(WSOL) 小样本学习(FSL) 细粒度图像分类 细粒度小样本学习 特征描述子

2022

中国图象图形学报
中国科学院遥感应用研究所,中国图象图形学学会 ,北京应用物理与计算数学研究所

中国图象图形学报

CSTPCDCSCD北大核心
影响因子：1.111
ISSN：1006-8961
年,卷(期)：2022.27(7)
  • 1
  • 2