Complementarily Learning Decoupled Category-Region-Aware Prototype for Few-Shot Classification

Jiajie Fang

doi:10.1145/3737645

Complementarily Learning Decoupled Category-Region-Aware Prototype for Few-Shot Classification

2025-07-19

0

PRE

AI

DOI：10.1145/3737645

原文求助

摘要

En 中文

开放世界小样本分类在训练集和测试集类别差异显著时，受限于不足的图像级内容表示能力。近期，许多研究展示了基于深度局部描述符方法的有效性，这些方法尝试筛选出主导内容并舍弃噪声部分。然而，上述方法更关注支持集和查询集的外部相关性以过滤特征，忽略了支持集内部的关联性，导致分类性能不理想。为缓解此问题，本文提出互补学习解耦类别-区域感知网络（DCRNet），以同时学习内部成员间的关联性，并与外部集交互。具体而言，我们首先提出一种有效的可学习类别原型生成特征解耦模块（CPFDM），以挖掘共存表示并生成全面的类别全局原型。其次，为自适应地筛选出判别性局部描述符，我们设计了类别感知选择模块（CASM），并引入类别感知对比损失（CACL）以突出与当前类别高度相关的局部信息。此外，设计了区域感知对比损失（RACL），鼓励模型聚焦于局部区域，从而具备区分不同类别前景区域的能力。最后，利用筛选后的支持集描述符通过描述符选择策略自适应地优化查询集描述符。大量实验表明，所提方法在五个主流通用和细粒度小样本分类数据集上优于现有最优方法。我们已在https://github.com/jjfang007/DCRNet上发布了训练和测试代码。

Keyword:

few-shot learning

open-world classification

feature decoupling

category-aware selection

contrastive loss

Complementarily Learning Decoupled Category-Region-Aware Prototype for Few-Shot Classification

摘要

期刊

机构

引用论文