摘要
识别如眼睛和喙等具有区分性的细节对于细粒度分类至关重要，因为这些类别在整体外观上极为相似。为此，我们提出了一种名为任务差异最大化（Task Discrepancy Maximization, TDM）的简洁模块，用于细粒度少样本分类任务。我们的目标是通过突出编码类别特异性信息的通道，实现对类别相关区分性区域的定位。具体而言，TDM基于两个新颖组件——支持注意力模块（Support Attention Module, SAM）和查询注意力模块（Query Attention Module, QAM），学习任务特定的通道权重。SAM为每个类别生成一个支持权重，用于表征各通道在类别区分能力上的贡献。然而，由于SAM仅依赖于带有标签的支持集，可能对支持集产生偏差。为此，我们引入QAM，通过为给定查询图像生成查询权重，增强与目标物体相关的通道的响应，从而弥补SAM的局限性。通过融合SAM与QAM生成的两种权重，我们构建出类别级、任务特定的通道权重。该权重被应用于特征图，生成更具任务适应性的特征表示，使模型更聚焦于关键的区分性细节。大量实验验证了TDM的有效性，并证明其在细粒度少样本分类任务中与现有方法具有良好的互补性。