重新审视基于局部描述符的图像到类别度量在小样本学习中的应用

CVPRMar, 2019

重新审视基于局部描述符的图像到类别度量在小样本学习中的应用

Revisiting Local Descriptor based Image-to-Class Measure for Few-shot Learning

Wenbin Li, Lei Wang, Jinglin Xu, Jing Huo, Yang Gao...

TL;DR本文介绍了一种以本地描述符为基础的图像分类方案，用于完成少样本学习任务，并证明了该方案具有更高的效率和准确性，实验结果表明，在基准数据集上，本方案相对于其他先进算法的绝对优势高达 17%。

Abstract

few-shot learning in image classification aims to learn a classifier to classify images when only few training examples are available for each class. Recent work has achieved promising classification performance,

few-shot learning image classification local descriptors neural network benchmark datasets

发现论文，激发创造

为 Few-shot Learning 学习更具鉴别性的本地描述符

本文介绍针对图像分类的 Few-shot 学习领域中的 Discriminative Local Descriptors Attention (DLDA) 模型，并基于传统的 k-NN 分类模型进行改进，通过对 4 个基准数据集的实验，表明该方法在 Few-shot 学习中取得了更高的精度并对 k 的选择更加鲁棒。

May, 2023

DMN4: 利用判别式相互最近邻神经网络进行少样本学习

本文提出了一种用于 Few-shot learning 的 DMN4 模型，采用相互最近邻关系显式地选择与任务最相关的查询描述符并丢弃不相关的聚合噪声，通过广泛的实验验证，DMN4 模型在精细分类和广义数据集上均优于现有技术。

Mar, 2021

SimpleShot: 重新审视最近邻分类在少样本学习中的应用

本文主要研究了基于简单特征变换的最近邻分类器在 few-shot 学习上的精度，并发现在 miniImageNet 数据集中，使用平均值减法和 L2 归一化的最近邻分类器在三个设置上优于之前的结果。

Nov, 2019

改进的小样本视觉分类

本文提出了一种名为 Simple CNAPS 的新型神经网络架构，采用 Mahalanobis 距离作为距离衡量标准并学习适应性特征提取器，从而在标准 few-shot 图像分类基准数据集上实现了 6.1% 的性能提升。

Dec, 2019

用于少样本学习的非对称分布度量

提出了一种新颖的基于度量的小样本学习方法，即使用不对称分布度量、局部和全局不对称度量和对比度量策略的非对称分布度量网络 (ADM)，在 miniImageNet 和 tieredImageNet 等数据集上分别实现了 5-way 1-shot 任务上的 3.02% 和 1.56% 的精度提升。

Feb, 2020

发掘局部表征的威力用于少样本分类

利用局部表示在改进新类别通用性方面发挥了作用，我们设计了一个新的预训练范式，通过软标签学习随机裁剪的补丁，并且我们提出了一种度量方法来处理由同质元素组成的集合，我们的方法在三个常用基准测试中取得了最新的最佳性能。

Jul, 2024

深度本地描述符的学习与聚合在实例级别的识别中的应用

该篇论文提出了一种用于实例级别识别的高效学习本地描述符的方法，它使用度量学习来训练深度神经网络，通过内部组件的激活传递局部描述符。与现有本地描述符相比，在两个实例级别识别任务中提供更好的性能和更低的存储器需求，这证明了全局描述符在大规模情况下不够有效，适当的局部性是不可或缺的。

Jul, 2020

通过两个新的基于距离的损失函数，强制执行度量学习中的类别可分性，实现少样本图像分类：SuSana Distance 就是你所需要的

提出了两种不同的损失函数 ——Proto-Triplet Loss 和 ICNN loss，其中考虑了嵌入向量的重要性，并评估了训练后网络获得的嵌入的质量。在实验中，相比其他度量法，这些损失函数在 miniImagenNet 基准测试中将准确率显著提高了 2％，表明这些损失函数有能力使网络更好地推广到以前未见过的类别。

May, 2023

图像识别少样本学习的两阶段方法

本论文提出了多层神经网络结构来实现少样本图像识别任务，其中包括特征提取和分类两个阶段，采用 Mahalanobis 距离计算平均类别特征和测试样本的距离，并通过学习映射将样本原型映射到对应类别的原型上，该网络在四个标准的少样本图像识别数据集上表现出优越的性能。

Dec, 2019

努力了解你邻居的边界：本地描述符学习损失

提出了一种受到 SIFT 匹配标准启发的用于学习局部特征描述符的新型损失函数，试验结果表明，该损失函数优于复杂的正则化方法，且适用于浅层和深层卷积网络结构，将新型损失函数应用于 L2Net CNN 结构得到的紧凑描述符，维度与 SIFT 相同 (128)，并取得了宽基线立体、块验证和实例检索基准的最先进性能。

May, 2017