Jul, 2024
用于少样本细粒度图像分类的混合特征协同重建网络
Hybrid Feature Collaborative Reconstruction Network for Few-Shot
Fine-Grained Image Classification
TL;DR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。