少样本分类新突破！DAFIC用深度几何引导，四个基准性能强劲提升
Depth-guided Geometric Adaptation for Few-shot Image Classification
📖 AI 总结
本文提出DAFIC框架，用于解决少样本图像分类中因背景杂乱和RGB外观相似导致的视觉歧义问题。该框架将单目深度信息引入表示学习、情景适应和密集支持-查询匹配三个环节：先通过RGB-D自监督预训练获得几何感知的token表示，再利用深度引导几何适应模块以深度几何信息优化图像块表示并抑制背景干扰，最后通过空间双向块匹配进行双向密集匹配，降低对虚假对应和背景杂波的敏感性。在四个基准数据集上的实验表明，DAFIC相较现有方法取得较强性能，消融与鲁棒性分析验证了几何条件情景适应与双向匹配结合的有效性。该工作已被WACV 2027接收，为数据稀缺条件下的少样本视觉识别提供了利用深度几何信息的新思路。
🔑 关键词速览
| Few-shot image classification (FSIC) | 少样本图像分类，指在每类仅有少量标注样本的情况下进行图像分类的任务。 |
| Monocular depth | 单目深度，指从单张RGB图像估计场景深度信息的技术。 |
| Depth-guided Geometric Adaptation (DGA) | 深度引导几何适应模块，利用深度几何信息细化特征表示并抑制背景干扰。 |
| Spatial Bidirectional Patch Matching (SBiM) | 空间双向块匹配，对特征块进行双向密集匹配以降低虚假对应的影响。 |
| Episodic adaptation | 情景适应，在少样本学习中对每个任务（情景）进行模型微调的策略。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅