HARA：一种基于超图增强重构与自适应度量聚合的少样本细粒度图像分类方法

《Electronics》：Hypergraph-Augmented Reconstruction and Adaptive Metric Aggregation Network for Few-Shot Fine-Grained Image Classification

　　少样本细粒度图像分类的目标是从极少量标注样本中识别未见过的细粒度类别。该任务具有挑战性，因为视觉上相似的类别可能仅在细微细节上有所不同，而同一类别的图像之间又可能存在较大差异，因此有用的证据往往是局部化的。基于重构的度量方法通过将查询特征从按类别的支持特征中重构出来以减少局部错位，但很小的支持集可能仍然无法提供完整的重构基础。此外，空间重构误差通常采用固定或近似均匀的权重进行组合，而中间特征也不会获得直接面向重构的监督。我们提出了HARA，一种超图增强的重构与自适应度量聚合网络，以解决上述局限。HARA在局部支持特征上构建可学习的软超边，并利用所得的聚合特征来丰富按类别的重构基础。随后，它将类条件重构与查询自重构相结合以获得逐位置的联合误差，并使用依赖查询的权重对这些误差进行聚合。一个仅在训练阶段使用的辅助分支对主干网络的中间特征施加基于重构的监督。在5路评测中，HARA在CUB-200-2011、Stanford Dogs和Stanford Cars数据集上，于1样本/5样本设置下分别取得84.09%/93.48%、76.91%/88.69%和88.53%/95.87%的成绩。消融实验和诊断分析进一步刻画了所提出框架的贡献与表现。总体而言，HARA为基于重构的少样本细粒度分类提供了一种有效的扩展。