面向多语义少样本学习的初步探索
计算机视觉与模式识别
2020-01-23 v2
摘要
从一到数个视觉样本中进行学习是人类自婴儿早期起便具备的关键能力之一，但对现代 AI 系统而言仍是一项重大挑战。尽管从少量图像样本进行少样本学习已取得可观进展，但当向婴儿展示新物体时通常提供的言语描述却甚少受到关注。本文聚焦于可显著促进少样本视觉学习的附加语义的作用。基于近期结合附加语义信息的少样本学习进展，我们证明通过组合多种且更丰富的语义（类别标签、属性与自然语言描述）可取得进一步改进。利用这些思路，我们在流行的 miniImageNet 与 CUB 少样本基准上给出了优于先前视觉仅及视觉加语义方法 SOTA 结果的新结果。我们还进行了消融研究以考察本方法的各组件与设计选择。
引用
@article{arxiv.1906.01905,
title = {Baby steps towards few-shot learning with multiple semantics},
author = {Eli Schwartz and Leonid Karlinsky and Rogerio Feris and Raja Giryes and Alex M. Bronstein},
journal= {arXiv preprint arXiv:1906.01905},
year = {2020}
}