摘要
少样本学习的目标是在仅有少量标注样本的情况下对未见类别进行分类。近年来，基于低层信息度量学习的方法取得了令人满意的性能，因为局部表示（Local Representations, LRs）在已见类别与未见类别之间具有更高的一致性。然而，大多数现有方法独立处理支持集中的每个类别，难以充分捕捉特征之间的关联性，尤其是在特定任务背景下。此外，基于低层信息的度量学习方法在复杂背景中存在不同尺度的主导物体时，性能会显著下降。针对上述问题，本文提出了一种新型的多尺度自适应任务注意力网络（Multi-scale Adaptive Task Attention Network, MATANet）用于少样本学习。具体而言，首先通过一个多尺度特征生成器在不同尺度上提取多组特征；随后，设计了一种自适应任务注意力模块，用于从整个任务中筛选出最具代表性的局部表示；接着，引入相似度到类别模块与融合层，计算查询图像与支持集之间的联合多尺度相似性。在多个主流基准数据集上的大量实验结果表明，所提出的MATANet在性能上显著优于当前最先进的方法。