基于分层度量学习的少样本视频识别

针对现有少样本动作识别方法依赖单原型监督、难以利用视频跨帧全局空间信息及类原型泛化能力有限的问题，研究人员提出了一种名为分层度量学习用于少样本动作识别（HML-FSAR）的新方法。该方法首先通过空间增强模块捕捉跨帧全局空间表示，并结合时间多头注意力机制、异构对齐、时空特征融合及字典学习模块构建完整特征处理流程。随后，将包含中心度量、对齐度量、对比度量、字典度量和原型度量的分层度量学习策略嵌入其中，从帧级表示到最终类原型施加渐进式多阶段互补约束，以联合优化特征紧凑性、异构时空对齐、类间判别力和抗噪鲁棒性。该方法已在五个广泛使用的少样本动作识别数据集上进行验证，实验结果证明其有效性。