用于少样本学习的对抗特征幻构网络
计算机视觉与模式识别
2020-10-29 v2
摘要
近来深度学习在各任务中的繁荣很大程度上归功于丰富且可获取的有标注数据。然而，大量监督对许多真实应用仍是奢望，这推动了少样本学习（FSL）等标注稀缺技术的浓厚兴趣，FSL旨在用少量标注样本学习新类概念。FSL的一种自然方法是数据增强，许多近期工作通过提出各种数据合成模型证明了可行性。然而，这些模型未能很好地保障合成数据的判别性与多样性，因此常产生不理想结果。本文中，我们提出基于条件Wasserstein生成对抗网络（cWGAN）的对抗特征幻构网络（AFHN），其以少量标注样本为条件幻构出多样且具判别性的特征。两个新正则化项，即分类正则化项与抗坍缩正则化项，被纳入AFHN以分别鼓励合成特征的判别性与多样性。消融实验验证了所提基于cWGAN的特征幻构框架及所提正则化的有效性。三个常用基准数据集上的对比结果证实了AFHN相对于现有基于数据增强的FSL方法及其他最先进方法的优越性。
引用
@article{arxiv.2003.13193,
title = {Adversarial Feature Hallucination Networks for Few-Shot Learning},
author = {Kai Li and Yulun Zhang and Kunpeng Li and Yun Fu},
journal= {arXiv preprint arXiv:2003.13193},
year = {2020}
}
备注
Correct some typos