论文笔记 Fine-Grained Few Shot Learning with Foreground Object Transformation

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。