CVPR 2022 FSL

CVPR2022列表已经放出来一段时间了，最近也一直在看感兴趣的论文，先放一个few-shot learning的文章

1、Task Discrepancy Maximization for Fine-grained Few-Shot Classification

先把文章的作者还有机构放在这里。
之前写了很多关于FSL论文介绍的文章，对于fine-grained来说，需要让模型能关注到很多细节的特征，本文设计了一种注意力机制，让模型跟关注和类别相关的细节特征，也就是给更关键的细节特征更高的权重。为了得出这些权重，肯定需要一个评分的东西。
先介绍一下作者引入的两个评分，一个是Rintra即类内评分，另一个是Rinter是类间评分。

（这图是之前讲论文做ppt里面的:) ）
介绍一下里面的符号表示，fp代表是个时刻feature的平均，M表示这个类别所有prototype的均值。所以对于Rintra，表示这一个数据多个checkpoints下的平均feature和这个类别所有平均feature的差别，就可以衡量出该数据和平均显著特征之间的差距，当作类内评分。
另外对于Rinter，就好理解很多。就是这个类别的f和其他类别M的差，可以衡量出和其他类别有多少distinct的信息，用来区分不同类别，拉大类间差距。
因此，Rintra越小，Rinter越大，该通道的信息越多，就要给更大的权重。
方法流程图如下。

很简单，由两个模块SAM，和QAM提取出权重，然后加到各自的feature上，变成最后可以用的feature。
下面分别介绍一下QAM和SAM

SAM

作者设计了针对support的注意力机制，SAM，其实比较简单，这里需要说一下的是inter的分数不是对称的，因此由1到2和由2到1是两个不同的分数。最后经过一个FC映射乘最后的w。

这里的FC结构如下

SAM可以来强调和类别相关的有显著特征的通道，即给这些通道加上更大的权重。

QAM

这里就比较简单了，QAM主要是给和object更相关的通道一个更高的权重，也是很合理。

Results

看一下结果，可视化上可以看出这个方法能让模型更关注细节部分

这个方法好的地方就在，可以作为一个插件component结合现在的方法，这我觉得是做工作一个比较好的可以做的点