用于少样本图像分类的关联对齐
计算机视觉与模式识别
2020-08-05 v3 机器学习
摘要
少样本图像分类旨在仅从每个“新”类的少量样本中训练模型。本文提出关联对齐的思想，通过将新类训练样本与基训练集中紧密相关的样本对齐，来利用部分基数据。这通过向少量新样本添加额外的“相关基”样本，扩大了有效新训练集的规模，从而允许建设性的微调。我们提出两种关联对齐策略：1) 用于在特征空间中最小化相关基样本与新类样本质心之间距离的度量学习损失；2) 基于 Wasserstein 距离的条件对抗对齐损失。在四个标准数据集和三种骨干网络上的实验表明，结合我们基于质心的对齐损失，在5-shot学习中分别比目标识别、细粒度分类和跨域自适应的当前最优方法绝对准确率提高了 4.4%、1.2% 和 6.2%。
引用
@article{arxiv.1912.05094,
title = {Associative Alignment for Few-shot Image Classification},
author = {Arman Afrasiyabi and Jean-François Lalonde and Christian Gagné},
journal= {arXiv preprint arXiv:1912.05094},
year = {2020}
}