深度學習: 細粒度圖像識別與分析系列學習筆記（六）few-shot fine-grained方法
在細粒度圖像領域也有few-shot的需求，在傳統的fine grained不管是檢索還是識別也好，依賴的數據是非常大的，甚至是海量的標註數據，這樣的海量標註數據，fine grained僅僅依靠普通人標註是不行的，由於標註量和成本都是非常大的，所以在fine grained未來的發展上，我們覺得像few-shot這樣的場景非常重要，few-shot能使用訓練數據非常有限，fine grained也會非常難，針對這樣的問題我們提出了一個solution。（few-shot fine-grained（fsfg）image recognition）
上圖中的灰色區域在Meta-learning叫做episode，在episode僅僅依靠兩個examplar，意思是只有兩張圖告訴你圖中說什麼東西，告訴系統白色的鳥叫做1，綠頭鴨叫2，要做的說通過one shot來evahuation data中的圖像進行識別。
在整個模型訓練的時候，我們設計了一個Meta-learning的fashion
。他們藉助一個輔助數據集進行類別與圖像的採樣，在測試集上做few shot的任務。基於這個輔助數據集，構造出若干類似於上圖中測試數據的episode。系統通過對每個episode的樣本進行學習，可以得到一些分類器或者是特徵向量，進而可以在evaluation data上產生loss。藉助這種方法，系統可以學習到一個在測試數據集上泛化能力較好的網路。
在我們的方法中，在exemplar中學習到學習到一個映射，映射的對象就是輸入圖像所屬類別的分類器（classifier）。當系統學習到classifier以後，便可以對evalutation data進行分類。
在FSFG框架中，提出了一個基於Bilinear CNN的方法，通過它，系統可以隱性的學到輸入圖像的一些part信息，進一步，這些part所對應的sub-vector可能就與物體細粒度層面的一些keyparts相關。
我們提出分別對這些sub-vector進行分段映射，分段映射所對應的便是那些子分類器（sub-classifier）。通過將這些子分類器進行級聯，就可以學到有關整個物體的分類器。
最後，研究人員將習得的模型在3個主流的細粒度圖像數據集（CUB Birds、Stanford Dogs、Stanford Cars）上進行了性能驗證，發現其達到了目前最先進的水平。
最後在3個細粒度圖像數據集（CUB Birds、Stanford Dogs、Stanford Cars）上進行了實驗驗證
顯著好於其他所有的方法，
上圖是可視化的結果。
（全文完）
其他篇章參看：
飄哥：深度學習: 細粒度圖像識別與分析系列學習筆記（三）ddt方法
飄哥：深度學習: 細粒度圖像識別與分析系列學習筆記（二）scda方法
飄哥：深度學習: 細粒度圖像識別與分析系列學習筆記（一）
飄哥：深度學習: 細粒度圖像識別與分析系列學習筆記（四）scda和ddt方法比較
飄哥：深度學習: 細粒度圖像識別與分析系列學習筆記（五）
推薦閱讀：
