一种简单的任务意识对比局部描述符选择策略用于少样本学习

本文介绍了一种基于本地描述符的图像分类方案，具有更高的效率和准确性，实验结果显示相对于其他算法的优势高达17%。

提出特征映射重建网络，通过直接回归支持特征到查询特征，优化Few-shot分类的效率和准确性。

DMN4模型通过选择与任务相关的查询描述符，显著提高了精细分类和广义数据集上的性能。

DFR框架解耦了有区别性特征和类不相关成分，提升了少样本任务的深度学习性能。

基于自注意力机制的特征重加权策略在极少标注样本情况下实现了3%~5%的性能提升。

任务导向通道注意力方法通过支持和查询注意力模块，增强了细粒度分类的特征映射和目标定位能力。

DLDA模型在传统k-NN分类模型基础上改进，提升了Few-shot学习的精度和鲁棒性。

TALDS-Net网络通过自适应选择支持和查询描述符，优化了分类性能。

局部描述符上下文增强方法通过全局上下文增强模块，显著提高了细粒度分类任务的准确性，达到了20%的改进率。