BriefGPT - AI 论文速递
·
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
💡
原文英文，约100词，阅读约需1分钟。
📝
内容提要
细粒度图像分类的难点在于跨类别的整体外观相似性。该研究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，通过支持注意力模块和查询注意力模块来突出显示关键特征。实验证实了该方法在细粒度少样本分类任务中的有效性。
🎯
关键要点
- 细粒度图像分类的难点在于跨类别的整体外观相似性。
- 识别鸟类的区分性细节（如眼睛和喙）是任务的关键。
- 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。
- 该方法包含支持注意力模块（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，QAM为查询对象相关通道分配更高权重。
- 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生成任务适应性特征。
- TDM通过通道重要性的任务自适应校准影响高层特征图。
- 在特征提取器的中间层引入实例注意力模块（IAM），以实例级别突出显示对象相关的通道。
- TDM和IAM在细粒度少样本分类任务中的有效性得到了实验证实。
- IAM在粗粒度和跨域少样本分类中也显示出了有效性。
➡️
