面向少样本学习的非对称分布度量
计算机视觉与模式识别
2020-02-04 v1
摘要
基于度量的少样本图像分类的核心思想是直接度量查询图像与支持类之间的关系，以学习可迁移的特征嵌入。先前的工作主要关注图像级特征表示，由于样本稀少，其实际上无法有效估计类的分布。近期一些工作表明，基于局部描述符的表示可比图像级表示获得更丰富的表达。然而，此类工作仍基于有效性较低的实例级度量（尤其是对称度量）来衡量查询图像与支持类之间的关系。鉴于查询图像与支持类之间天然的非对称关系，我们认为非对称度量更适用于基于度量的少样本学习。为此，我们提出了一种新颖的非对称分布度量（ADM）网络用于少样本学习，通过计算查询与类的两个多元局部分布之间的联合局部与全局非对称度量。此外，提出一种任务感知的对比度量策略（CMS）以进一步增强度量函数。在流行的 miniImageNet 和 tieredImageNet 上，我们在 5-way 1-shot 任务上分别比最先进方法取得了 3.02% 和 1.56% 的提升，验证了我们在少样本学习中非对称分布度量的创新设计。
引用
@article{arxiv.2002.00153,
title = {Asymmetric Distribution Measure for Few-shot Learning},
author = {Wenbin Li and Lei Wang and Jing Huo and Yinghuan Shi and Yang Gao and Jiebo Luo},
journal= {arXiv preprint arXiv:2002.00153},
year = {2020}
}
备注
7 pages