核心方法思路1. 对于人来说,通过一部分即可以识别图像,以此进行对比学习正负样本设计。 2. Critically, the inductive bias of source classes may inevitably introduce unexpected information or correlation between instances and classes. 关键的是,源类的归纳偏差可能不可避免地引入意外的信息或实例和类之间的相关性。 例如,如果马的图像与草高度相关,则在此类数据上学习的模型可能倾向于将那些视觉上类似于马图像的目标图像与草相关。作者通过混合来自不同图片的补丁来减轻这个问题,以强制网络来学习更多的分离信息。
1. 训练时加入对比损失,图1左 1. support进行random block。For support images, they are regarded as matching template. So we try to keep them intact. For dropping part of its information, we apply random masks to the support images. This process is illustrated in Fig.1. Using this modification, the support images are harder to recognize than original ones. We call this modification random block. 对于support图像,将其视为匹配模板。所以尽量保持它们完好无损。为了去除部分信息,对支持图像进行随机掩模。该过程如图1所示。使用这种修改,支持图像比原始图像更难识别。作者称之为修改随机块。2. query分成小块。For query images, we try to match them with support images, we hope that we can get a correct match even if we only have part of the query images. 对于查询图像,尝试将其与支持图像进行匹配,希望即使只有部分查询图像也能得到正确的匹配。3. 最终的对比损失变成了: