Overview
提出了一种前景提取和姿态变形的方法,可以通过4张输入图像,提取其前景,并重新生成新的姿态图片,从而实现数据增强,构造更多的数据集。方法用于小样本细粒度分类问题。
Related Work
现有的小样本学习方法:
1)initialization based。更好的初始化权重,在新数据上微调。
2)metric learning based。基于度量学习,学习一个相似性度量函数。
3)hallucination based methods。通过生成器,生成新样本进行数据增强。
本文属于第三类。
Method
foreground object transformation
Contributions:
1)提出一种新颖的数据增强手段。丰富前景多样性,减少背景的影响。
2)提出一种显著图匹配策略。训练一个姿态转换的网络。
similar postures are often accompanied by similar saliency maps.However, the opposite is not always true. The right side shows some counter-examples.
总的来说,是找了一个效果比较好的显著性检测网络,检测前景后裁剪放大,输入网络训练,在few-shot set 中选择显著性轮廓比较相似的sample,进行姿态转换进行数据增强。