细察少样本分类
计算机视觉与模式识别
2020-01-14 v2
摘要
少样本分类旨在利用有限的标注样本学习一个分类器，以识别训练期间未见的类别。尽管已取得显著进展，但网络设计、元学习算法日益增长的复杂性以及实现细节的差异使得公平比较变得困难。在本文中，我们给出 1) 对若干代表性少样本分类算法的一致比较分析，结果表明在领域差异有限的数据集上，更深的骨干网络显著减小了各方法间的性能差异；2) 一个改进的基线方法，其在 \miniI 和 CUB 数据集上与最先进方法相比出人意料地取得了有竞争力的性能；3) 一个用于评估少样本分类算法跨领域泛化能力的全新实验设置。我们的结果表明，当特征骨干较浅时，减小类内差异是一个重要因素，但在使用更深骨干时则并非如此关键。在一个现实的跨领域评估设置中，我们展示带有标准微调实践的基线方法优于其他最先进的少样本学习算法。
引用
@article{arxiv.1904.04232,
title = {A Closer Look at Few-shot Classification},
author = {Wei-Yu Chen and Yen-Cheng Liu and Zsolt Kira and Yu-Chiang Frank Wang and Jia-Bin Huang},
journal= {arXiv preprint arXiv:1904.04232},
year = {2020}
}
备注
ICLR 2019. Code: https://github.com/wyharveychen/CloserLookFewShot . Project: https://sites.google.com/view/a-closer-look-at-few-shot/