基于聚类块的元素连接用于少样本学习

长期以来，弱特征表示问题严重制约了少样本分类任务的性能表现。为缓解该问题，近期研究通过将支持集与查询集实例的嵌入块特征进行关联，以生成更具区分性的表示。然而，我们观察到，由于目标物体的位置与尺寸不固定，这些局部块之间存在语义不匹配（前景/背景混淆）的问题。更严重的是，此类不匹配导致相似度置信度不可靠，而复杂的密集连接结构进一步加剧了这一问题。针对上述问题，本文提出一种新型的聚类块元素连接（Clustered-patch Element Connection, CEC）层，用以纠正语义不匹配问题。CEC层通过引入块聚类（Patch Cluster）与元素连接（Element Connection）操作，分别实现对高相似度块特征的聚合与可靠连接。此外，我们进一步提出CECNet框架，其包含基于CEC层的注意力模块与距离度量机制：前者利用全局聚类块特征生成更具区分性的表示，后者则用于可靠地度量特征对之间的相似性。大量实验表明，所提出的CECNet在多个标准分类基准上均优于现有最先进方法。此外，本方法还可拓展至少样本分割与检测任务，在这些任务中也取得了具有竞争力的性能表现。