CAD: Co-Adapting Discriminative Features for Improved Few-Shot Classification
CAD: Co-Adapting Discriminative Features for Improved Few-Shot Classification(CAD:改进的少样本分类的自适应判别特征)
2022 CVPR
摘要:
few -shot分类是一个具有挑战性的问题,其目的是学习一个模型,该模型可以适应给定几个标记样本的未见类。最近的方法是预先训练一个特征提取器,然后对情景元学习进行微调。其他方法利用空间特征来学习像素级对应,同时联合训练分类器,然而,使用这种方法的结果显示出边际的改善。在本文中,受Transformer式自注意机制的启发,我们提出了一种基于交叉关注和重权的判别特征的策略。给定全局池化后的支持和查询图像的基本表示,我们引入了一个单一的共享模块,它在两个方面投射特征和交叉关注:(i)查询支持和(ii)支持查询。该模块计算特征之间的注意力得分,以生成同一类特征的注意力池表示,然后将其添加到原始表示中,然后添加一个投影头。这有效地重新加权了两个方面(i和ii)的特征,以产生更好地促进改进的基于度量的元学习的特征。在公共基准上进行的大量实验表明,我们的方法比最先进的方法要好3% ~ 5%。
框架: