面向少样本学习的特征生成器
计算机视觉与模式识别
2024-10-14 v2
摘要
少样本学习（FSL）旨在使模型能够在有限标注数据下识别新物体或类别。特征生成器通过合成新数据点来扩充有限的数据集，已成为应对这一挑战的有前景的解决方案。本文研究了特征生成器在增强 FSL 任务嵌入过程中的有效性。为了解决每类图像稀缺导致嵌入不准确的问题，我们引入了一种从类别级文本描述生成视觉特征的特征生成器。通过结合分类器损失、判别器损失以及生成特征与真实类别嵌入之间的距离损失来训练该生成器，我们确保了同类特征的准确生成并增强了整体特征表示。结果表明，相较于基线方法，准确率有显著提升，我们的方法在 1-shot 中比基线模型高出 10%，在 5-shot 方法中高出约 5%。此外，本文还测试了纯视觉生成器与视觉+文本生成器。代码公开于 https://github.com/heethanjan/Feature-Generator-for-FSL。
引用
@article{arxiv.2409.14141,
title = {A Feature Generator for Few-Shot Learning},
author = {Heethanjan Kanagalingam and Thenukan Pathmanathan and Navaneethan Ketheeswaran and Mokeeshan Vathanakumar and Mohamed Afham and Ranga Rodrigo},
journal= {arXiv preprint arXiv:2409.14141},
year = {2024}
}
备注
16 pages, Accepted to ACCV 2024