论文阅读笔记《Revisiting Local Descriptor based Image-to-Class Measure for Few-shot Learning》

小样本学习&元学习经典论文整理||持续更新

核心思想

  本文采用基于度量学习的方式实现小样本学习任务，但与其他基于度量学习的方式不同，本文通过比较图像与类别之间的局部描述子（Local Descriptor），来寻找与输入图像最接近的类别。本文的灵感来自于朴素贝叶斯最近邻算法（Naive-Bayes Nearest-Neighbor，NBNN），根据这一算法作者有两点发现：一、如果将一幅图像的特征信息压缩到一个紧凑的图像级别的表征（换言之就是用一个特征向量或者特征图来表示一张图片），这将会损失许多有区分度的信息，而且这种损失在训练集较少的情况下是无法被恢复的。二、如果采用图片与图片之间的比较，直接使用局部特征进行分类是不可能的，这是因为即使是相同类别的两幅图片，他在局部区域上特征也有很大的差别（比如都是狗，但是不同狗的尾巴区别也很大）。基于这两点观察，作者提出了本文的算法深度最近邻神经网络（Deep Nearest Neighbor Neural Network ，DN4），首先对于图像特征描述，作者并没用采用图像级的特征向量，而是使用若干个局部描述子，每个局部描述子对应图片中的一个局部区域；其次，在分类时，作者同样采用了kNN算法，但是与比较两幅图之间的相似性的方法不同，作者比较输入图像与每个类别的局部描述子之间的相似程度，并借此进行分类，这是因为对于一个类别的物体，其公共的特征还是比较接近的。具体的实现方式如下图所示

  如图所示，整个网络分成两大部分：嵌入特征提取网络$\psi$与最近邻分类器$\varphi$。首先对于嵌入特征提取网络$\psi$采用全卷积神经网络，不带有全连接层，因此输出为$h\times w\times d$维的张量，如果将“每一条”长度为$d$的特征向量看做一个局部描述子$x_i$（因为卷积神经网络中的卷积和池化操作，会将图像压缩，因此输出特征图中的一个像素，其实代表了原图中的一个局部图块），则一共可以得到$m=hw$个长度为$d$的局部描述子：

  然后对于支持集中每个类别中的每幅图像，都能够得到一个由$m$个局部描述子构成的描述向量。得到查询图像$q$的描述向量$[x_1,...,x_m]$，对于其中的每个局部描述子$x_i$，在每一个类别$c$中都寻找到与其距离最接近的$k$个局部描述子${\hat{x}}_i^j,j=1,...,k$，则查询图像$q$与类别$c$之间的相似性可以通过对局部描述子之间的余弦相似性求和来得到

  最后选择相似程度最高的那一类别作为预测结果。

实现过程

网络结构

  特征提取网络采用4层卷积神经网络，最近邻分类器使用KNN搜索。

损失函数

  与常规的基于度量学习的算法相同。

训练策略

  与常规的基于度量学习的算法相同。

创新点

• 将基于度量学习的小样本学习算法中的图像级别的特征向量，改为局部描述子
• 将图像与图像之间的相似性度量，通过求和方式改为图像与类别之间的相似性度量

算法评价

  本文最重要的思想在于使用局部描述子取代简单的图像特征向量，虽然结构上并没有什么变化，只不过取消了全连接层，但是在思想上是有很大区别的。之前的特征向量是希望特征提取网络能够将图像特征高度抽象化，将其转化为一个对位置不敏感的向量，在进行比较时也是直接度量两个图像对应的特征向量之间的距离，这对于小样本学习来讲可能比较困难。而本文则这种特征描述要求放宽到局部区域上了，我不要求两张图片每个位置都很相似，但要求你最相似的k个区域是非常接近的，这就消除了类内差异和背景混淆的问题。这一思想其实与之前解读的一篇文章《Spot and Learn: A Maximum-Entropy Patch Sampler for Few-Shot Image Classification》非常接近，根据实验结果来看相对于其他的基于度量学习的算法，如Matching Network和Prototypical Network，效果都有明显的改善。

如果大家对于深度学习与计算机视觉领域感兴趣，希望获得更多的知识分享与最新的论文解读，欢迎关注我的个人公众号“深视”。