AdarGCN：用于少样本学习的自适应聚合图卷积网络
机器学习
2020-03-10 v2 机器学习
摘要
现有少样本学习（FSL）方法假设存在来自源类的充足训练样本，以将知识迁移到仅有少量训练样本的目标类。然而，该假设往往不成立，尤其在细粒度识别中。本文中，我们定义了一种称为少样本少样本学习（FSFSL）的新 FSL 设定，在此设定下源类与目标类均只有有限训练样本。为克服源类数据稀缺问题，一个自然选择是以类名作为搜索关键词从网络爬取图像。但爬取图像难免被大量噪声（不相关图像）污染，从而可能损害性能。为此，我们提出一种基于图卷积网络（GCN）的标签去噪（LDN）方法以去除不相关图像。进一步，利用清洗后的网络图像及原始干净训练图像，我们提出一种基于 GCN 的 FSL 方法。对于 LDN 与 FSL 任务，均提出了一种新颖的自适应聚合 GCN（AdarGCN）模型，其与现有 GCN 模型的不同之处在于基于多头多层次聚合模块执行自适应聚合。借助 AdarGCN，每个图节点所携带信息在图结构中传播多少与多远可自动确定，从而缓解噪声与离群训练样本的影响。大量实验表明我们的 AdarGCN 在新 FSFSL 与常规 FSL 设定下均具有优越性能。
引用
@article{arxiv.2002.12641,
title = {AdarGCN: Adaptive Aggregation GCN for Few-Shot Learning},
author = {Jianhong Zhang and Manli Zhang and Zhiwu Lu and Tao Xiang and Jirong Wen},
journal= {arXiv preprint arXiv:2002.12641},
year = {2020}
}
备注
The code is at github - https://github.com/RiceZJH/AdarGCN