一种用于小样本学习的自适应即插即用网络
计算机视觉与模式识别
2023-02-22 v1
摘要
小样本学习（FSL）要求模型在仅从少量样本学习后对新样本进行分类。尽管现有方法取得了显著成果，但嵌入和度量的性能决定了FSL中分类准确度的上限。瓶颈在于深度网络和复杂度量在FSL中容易导致过拟合，使得性能难以进一步提升。为此，我们提出了即插即用的模型自适应调整器（MAR）和自适应相似性度量（ASM），无需任何其他损失。MAR保留高分辨率细节以缓解数据稀缺引起的过拟合问题，ASM解耦不同度量之间的关系，然后将它们融合为一个高级度量。大量实验表明，所提出的方法在两个标准数据集和一个细粒度数据集上能够提升现有方法，并在mini-ImageNet和tiered-ImageNet上取得了最先进的结果。
引用
@article{arxiv.2302.09326,
title = {An Adaptive Plug-and-Play Network for Few-Shot Learning},
author = {Hao Li and Li Li and Yunmeng Huang and Ning Li and Yongtao Zhang},
journal= {arXiv preprint arXiv:2302.09326},
year = {2023}
}
备注
5 pages, 4 figures