.png){kind=icon}
返回
PrototypeFormer: Learning to explore prototype relationships for few-shot image classification
.png){kind=icon}
PRE
AI
DOI：10.1016/j.neucom.2025.130326.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
少样本图像分类因其在解决新类别样本有限时分类性能受限的挑战而受到广泛关注。现有研究大多采用复杂的策略和特征学习模块来缓解这一挑战。本文提出了一种名为PrototypeFormer的新方法，用于探索少样本场景下类别原型之间的关系。具体而言，我们利用Transformer架构构建原型提取模块，旨在提取更适合少样本分类的判别性类别表示。此外，在模型训练过程中，我们提出了一种基于对比学习的优化方法，以优化少样本学习场景下的原型特征。尽管方法简单，但我们的方法表现优异，无需额外技巧。我们在多个流行的少样本图像分类基准数据集上实验验证了该方法，结果表明其性能优于当前大多数最先进的方法。特别是在miniImageNet的5-way 1-shot和5-way 5-shot任务中，该方法分别达到了90.88%和97.07%的准确率，相较于当前最先进结果的准确率分别提升了6.84%和0.57%。
Keyword:
Few-shot image classification
Metric learning
Vision transformer
Contrastive learning
期刊
IF:
6.5
论文数:
2.5W
被引数:
6.5W
机构
引用论文
.png){kind=icon}
CLIP-Adapter: Better Vision-Language Models with Feature AdaptersCLIP-Adapter: 具有功能适配器的更好的视觉语言模型
PREAI
分享收藏
查看更多内容