本文介绍了2019年CVPR上的一篇论文，研究如何利用局部特征描述进行小样本学习。传统的度量方法如匹配网络、原型网络和关系网络主要基于全局特征，而该论文则提出了一种基于局部特征描述的距离矩阵计算方法，通过取最大值来确定特征间的距离。实验表明，这种方法在性能上优于原型网络，具有较高的参考价值。
本次介绍的一篇论文是2019年发布在CVPR上的一篇：
Revisiting Local Descriptor based Image-to-Class Measure for Few-shot Learning
这篇文章也是基于度量学习做的小样本，先简单回顾一下之前的一些模型。
对于衡量两个特征表示间的距离，匹配网络使用了余弦相似性公式，原型网络使用了欧几里得距离，关系网络使用一个网络来学习，当然，大部分的小样本学习工作使用的距离都是欧几里得距离。不过，他们度量的两个特征表示是全局性的，而这次介绍的论文度量的是局部性的特征描述。可以看图来理解全局性特征描述和局部性特征描述：
我们将一张3×84×84的图片，经过提特征之后得到64×21×21的特征表示，64代表通道数，那么这种情况下就有两种方式来理解这个特征。
第一种全局性特征，我们可以将64×21×21的特征表示分成64个21×21（也可以展开成441长度的一维向量）的特征表示，这样就有64个不同卷积核得到的64个不同的特征，但是这些特征都是通过整张图片的信息得到的，即可以理解为包含了整张图片的信息，所以可以称为全局性特征描述。
第二种局部性特征，我们可以将64×21×21的特征表示分成441个64长度的一维特征表示，每个64长度的一维向量中的数都是从图片中同一片区域卷积计算得到的，它
最低0.47元/天 解锁文章
扫一扫
3497
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
