TPAMI 2024 | 用于少样本细粒度分类的双向集成特征重构网络

主要观点总结

本文介绍了一种双向集成特征重构网络，用于解决细粒度少样本图像分类问题。该网络通过双向重建机制，同时增加类间变化和减少类内变化，实现了高效的细粒度特征学习。此外，还引入了快照集成策略，进一步提高了模型性能。实验结果表明，所提方法在三个细粒度数据集和一般数据集上均表现良好，优于其他最新方法。

关键观点总结

关键观点1: 双向重建机制

该网络通过双向重建机制，同时使用支持集和查询集进行重建，从而增加类间变化并减少类内变化，解决了现有基于重建的方法无法最小化类内变化的问题。

关键观点2: 快照集成策略

在训练过程中保存多个中间模型，通过集成多个模型的方法，提高了模型性能，且不需要额外的验证集选择最优模型。

关键观点3: 实验结果

在三个细粒度数据集和一般数据集上的实验结果表明，所提方法性能优于其他最新方法，证明了其有效性。