小样本图像分类的基线方法
机器学习
2020-10-23 v5 计算机视觉与模式识别
机器学习
摘要
对使用标准交叉熵损失训练的深度网络进行微调，是小样本学习的一个强基线方法。当以直推方式进行微调时，该方法在 Mini-ImageNet、Tiered-ImageNet、CIFAR-FS 和 FC-100 等标准数据集上，使用相同的超参数，性能超越了当前最优方法。该方法的简洁性使我们能够在 ImageNet-21k 数据集上展示首个小样本学习结果。我们发现，使用大量的元训练类别，即使对于大量的小样本类别，也能获得高小样本准确率。我们不主张将本方法作为小样本学习的解决方案，而仅使用这些结果来突显当前基准测试和小样本协议的局限性。我们在基准数据集上进行了广泛研究，提出了一个量化小样本任务“难度”的度量标准。该度量标准可用于以更系统的方式报告小样本算法的性能。
引用
@article{arxiv.1909.02729,
title = {A Baseline for Few-Shot Image Classification},
author = {Guneet S. Dhillon and Pratik Chaudhari and Avinash Ravichandran and Stefano Soatto},
journal= {arXiv preprint arXiv:1909.02729},
year = {2020}
}