Jul, 2023
面向任务的通道注意力优化细粒度少样本分类
Task-Oriented Channel Attention for Fine-Grained Few-Shot Classification
TL;DR细粒度图像分类的难点主要来自于跨类别的整体外观相似性，因此识别鸟类的区分性细节，如眼睛和喙，是任务的关键。为了解决这个问题，我们提出了一种针对细粒度少样本分类的任务导向通道注意力方法，其中包含两个新模块：支持注意力模块 (SAM) 和查询注意力模块 (QAM)。SAM突出显示编码类别区分特征的通道，而QAM为查询对象相关通道分配更高的权重。基于这些子模块，任务-自适应通道注意机制 (TDM) 通过集中关注编码类别区分细节并且同时由查询所具备的通道来产生任务适应性特征，以准确测量支持和查询实例之间的类别敏感相似度。TDM通过通道重要性的任务自适应校准影响高层特征图，我们还在特征提取器的中间层引入了实例注意力模块 (IAM)，以实例级别突出显示对象相关的通道，通过扩展QAM。TDM和IAM的价值以及它们的互补收益在细粒度少样本分类任务中得到了实验证实。此外，IAM在粗粒度和跨域少样本分类中也显示出了有效性。