少样本学习2：Revisiting Local Descriptor based Image-to-Class Measure for Few-shot Learning

最新推荐文章于 2024-12-07 09:29:27 发布

motoight

最新推荐文章于 2024-12-07 09:29:27 发布

阅读量900

点赞数

分类专栏：深度学习笔记文章标签：深度学习

本文链接：https://blog.youkuaiyun.com/motoight/article/details/119913394

版权

本文探讨了如何利用Local Descriptor改进Few-shot Learning，通过Image2Class度量减少样本不足带来的噪声影响。作者从Naive Bayes Nearest Neighbors (NBNN)获取灵感，使用全卷积网络生成的Deep Local Feature，避免池化操作，以非参数的分类器进行训练。实验表明，Image2Class度量提高了模型性能，并对比了不同shot数量和度量方式的效果。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

前言

发表信息：2019CVPR
文章链接：https://arxiv.org/abs/1903.12290
代码链接：https://github.com/WenbinLee/DN4

鉴于已有相关博文对这篇文章进行分析：https://blog.youkuaiyun.com/qq_36104364/article/details/106479996
我补充一些自己的阅读感受。

一、核心思想

作者开门见山指出自己收到NBNN（Naive Bayes Nearest Neighbors)的启发，通过将传统metric-based 方法中Image2Image的度量表示修改成Image2Class的度量表示，有效减少了在小样本场景下由于样本量不足带来的噪声（ intra-class variation or background clutter）导致得到的度量不够准确。
整体框架图
Deep Local Feature： 给定一张图片，作者通过全卷积网络得到 h * w * d 大小的特征图，作者放弃使用池化操作，而是将该特征图视为每一个空间位置上都输出一个特征向量，用于后续分类。
什么