用于少样本图像分类的通用表示Transformer层
机器学习
2020-09-04 v4 计算机视觉与模式识别
机器学习
摘要
少样本分类旨在当仅有少量样本时识别未见类别。我们考虑多领域少样本图像分类问题，其中未见类别和示例来自多样数据源。这个问题引起了越来越多的兴趣，并推动了如Meta-Dataset等基准测试的发展。在这个多领域设置中的一个关键挑战是有效整合来自多样训练领域的特征表示。在这里，我们提出一个通用表示Transformer（URT）层，它通过动态重新加权和组合最合适的领域特定表示，元学习利用通用特征进行少样本分类。在实验中，我们展示了URT在Meta-Dataset上达到了新的最先进结果。具体来说，与竞争方法相比，它在最多数据源上取得了最佳性能。我们分析了URT的变体，并展示了注意力分数热图的可视化，揭示了模型如何进行跨领域泛化。我们的代码可在https://github.com/liulu112601/URT获取。
引用
@article{arxiv.2006.11702,
title = {A Universal Representation Transformer Layer for Few-Shot Image Classification},
author = {Lu Liu and William Hamilton and Guodong Long and Jing Jiang and Hugo Larochelle},
journal= {arXiv preprint arXiv:2006.11702},
year = {2020}
}