本文提出了一种在潜在空间中将 few-shot 分类问题重新表述为重建问题的方法。通过从给定类别的支持特征到查询特征的直接回归，无需引入新的模块或大规模可学习参数，我们引入了一种新的机制进行 Few-shot 分类，该机制被称为特征映射重建网络，它比以前的方法更有效和更高效。我们在四种细粒度基准测试和两种非细粒度基准测试上验证了这个方法的一致和显著的准确性增益。

Dec, 2020

我们的研究聚焦于少样本细粒度图像分类，主要面临两个挑战：细粒度对象的外观相似性和样本数量有限。为了保留图像的外观细节，传统的特征重建网络通常通过空间特征重建和最小化重建误差来增强关键特征的表示能力。然而，我们发现在限制样本情景下，仅依赖于单一类型的特征不能准确捕捉细粒度对象的跨类别差异。相反，引入通道特征提供了额外的信息维度，有助于更好地理解和区分细粒度对象之间的跨类别差异。因此，在本文中，我们设计了一个新的混合特征协同重建网络（HFCR-Net）用于少样本细粒度图像分类，其中包括混合特征融合过程（HFFP）和混合特征重建过程（HFRP）。在 HFRP 中，我们融合通道特征和空间特征。通过动态权重调整，我们汇总任意两个位置之间的空间依赖性和每个图像不同通道之间的相关性，以增加跨类别差异。此外，我们在 HFRP 中引入了通道维度的重建。通过通道维度和空间维度的协同重建，在支持集到查询集的重建过程中进一步增加了跨类别差异，同时在查询集到支持集的重建过程中减小了类内差异。最终，我们在三个广泛使用的细粒度数据集上进行了大量实验证明了我们方法的有效性和优越性。

Jul, 2024

本文研究了如何通过增大少样本学习中的类内方差，以提高图像的分类效果，通过变分推断的方式将类内方差分布从基本集合转移到新集合中。实验结果表明，在具有挑战性的细粒度少样本图像分类基准上，该方法在状态 - of-the-art 的方法上有明显提升。

Oct, 2020

本文提出了一种名为 LRPABN 的低秩双线性网络，用于解决挑战性的少样本学习下的细粒度分类问题，该模型通过双线性池化操作和特征对齐层学习一个有效的距离度量，并在四个细粒度分类数据集上表现出卓越的性能。

Aug, 2019

提出了一种名为 BriNet 的分割框架，该框架应用信息交换模块和多路径细粒度策略来提高查询和支持图像之间的信息交互，进而实现精确定位查询对象；并且还提出了一种新的在线细化策略，帮助训练好的模型适应未见过的类别，并在 PASCAL VOC 和 MSCOCO 数据集上创造出新的最优效果。

Aug, 2020

本研究提出一种基于自注意力机制的特征重加权策略，实现在给定极少标注样本情况下进行元学习，大幅优于同类现有方法 3%~5%。

Mar, 2022

本文提出了一种基于双相似模块的模型，在细粒度图像分类中实现少样本学习，并且通过两种不同的相似性度量可以显著地提高模型的泛化能力。

Nov, 2020

本文提出了一种基于深度卷积神经网络的学习系统，该系统对视觉相似的类别进行聚类，并学习针对每个子集的特定深度卷积神经网络特征，在测试时不需要边界框。在流行的 Caltech-UCSD 鸟类数据集上，实验证明该方法优于最近的细粒度分类方法，无需边界框，在最困难的情况下达到了 77.5% 的平均准确率，而先前的最佳表现为 73.2%。本文还表明，渐进式迁移学习使我们能够先学习通用领域的特征，然后将其调整到特定的鸟类集合中，从而提高准确性。

May, 2015

通过特征级别的数据增强和协方差预测网络，我们提出了一种改善细粒度图像识别的方法，可以有效区分细分类别，提高泛化性能。

Sep, 2023

通过最近邻分类器目标和自监督学习的实例损失，结合粗标签和潜在细粒度空间，学习细粒度表示来提高图像检索的精度，从而在 iNaturalist-2018 等五个公共基准上建立了新的最先进技术。

Nov, 2020