VALSE 论文速览 第75期：联合分布很重要：深度布朗距离协方差用于少样本识别 ...

论文题目：Joint Distribution Matters: Deep Brownian Distance Covariance for Few-Shot Classification

作者列表：谢江涛 (大连理工大学)，龙飞 (大连理工大学)，吕佳铭 (大连理工大学)，王旗龙 (天津大学)，李培华 (大连理工大学)

B站观看网址：

https://www.bilibili.com/video/BV1A3411g71p/

复制链接到浏览器打开或点击阅读原文即可跳转至观看页面。

论文摘要：

小样本分类关注如何在给定很少训练数据的情况下对新类别进行准确识别，是计算机视觉中一项具有挑战性的任务。其中一类卓有成效的方法是通过比较小样本分类任务中查询图像和支撑图像之间的相似性进行深度表征学习。从统计学的观点看，这相当于将图像特征视为随机变量，比较图像的相似性实际上是度量随机变量之间的统计依赖关系。以前的工作由于仅考虑了特征的边缘分布因而表征能力有限，而那些考虑了联合分布的方法虽然性能领先但计算代价很大。对此，我们提出了深度布朗距离协方差 (DeepBDC)方法，通过比较特征的联合分布与边缘分布的乘积之间的差异进行深度表征学习。由于离散情况下DeepBDC是解耦的，我们将其实现为一个高度模块化且计算效率很高的层，能方便地插入到深度神经网络中，适用于不同的小样本学习范式。在六个小样本分类数据库 (包含通用目标识别、细粒度识别以及跨域识别)上的实验表明，所提出的方法显著优于同类方法并取得当前最好的性能。DeepBDC首次将布朗距离协方差这一基本的度量距离/相似性和统计相关性的技术引入到深度学习中，在计算机视觉和机器学习中具有广泛的应用前景。

论文信息：

[1] Jiangtao Xie and Fei Long and Jiaming Lv and Qilong Wang and Peihua Li. Joint Distribution Matters: Deep Brownian Distance Covariance for Few-Shot Classification. In CVPR 2022. (oral)

[2] Gabor J. Szekely and Maria L. Rizzo. Brown distance covariance. Annals of Applied Statistics, 3:1236–1265, 2009.

论文链接：

[https://arxiv.org/pdf/2204.04567.pdf]

代码链接：

[https://github.com/Fei-Long121/DeepBDC]

视频讲者简介：

谢江涛，大连理工大学博士研究生，导师为李培华教授。主要研究方法为图像分类和深度学习。在IEEE TPAMI/ CVPR/ ICCV/ NIPS等国际高水平期刊或会议上发表多篇论文。

特别鸣谢本次论文速览主要组织者：

月度轮值AC：赵文达 (大连理工大学)、任文琦 (中山大学)

季度责任AC：魏秀参 (南京理工大学)