.png){kind=icon}
返回
Multi-view aggregation and multi-relation alignment for few-shot fine-grained recognition
.png){kind=icon}
PRE
AI
DOI：10.1016/j.eswa.2025.127764.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
少样本细粒度识别（FS-FGR）旨在识别训练中未遇到的、具有细微差别的类别，且仅使用少量标注样本。现有工作通过增强前景精细区域的学习和一致语义的对齐取得了显著进展。然而，背景多样性不足对构建代表性类别原型造成的负面影响已被忽视。同时，语义一致特征的对齐因依赖单一指标而受阻，导致特征提取效果欠佳。为解决上述局限性，提出了一种具有多视角聚合和多关系对齐（MVRA）的新型框架。在该框架中，我们通过从有限的可用样本中生成并整合多个视角来优化类别原型。具体而言，我们生成前景精细视角以突出判别区域，以及背景模糊视角以拓宽背景多样性。此外，无需依赖全部先验知识，设计了一个全局标签分配模块，可自动为查询集样本分配可靠标签。最后，借助这些可信标签，多关系对齐模块利用丰富的视角及其语义一致性，促进鲁棒特征提取。通过在三个细粒度基准数据集上进行的大量实验，验证了MVRA的有效性和卓越性能。
Keyword:
Few-shot learning
Fine-grained recognition
Background diversity
Semantic alignment
期刊
IF:
7.5
论文数:
3.0W
被引数:
10.2W
机构
暂无机构信息
引用论文
.png){kind=icon}
Bi-channel attention meta learning for few-shot fine-grained image recognition用于少镜头细粒度图像识别的双通道注意力元学习
PREAI
分享收藏分享收藏Fine-Grained Visual Classification via Progressive Multi-granularity Training of Jigsaw Patches
PREAI
分享收藏
Prototype Rectification with Region-Wise Foreground Enhancement for Few-Shot Classification基于区域前景增强的原型校正方法用于少样本分类
PREAI
分享收藏分享收藏分享收藏
查看更多内容