用于少样本开放世界识别的贝叶斯嵌入方法
计算机视觉与模式识别
2022-10-07 v2
摘要
随着自主决策智能体从受限运行环境走向非结构化世界，学习系统必须从封闭世界形式转向开放世界和少样本设定，其中智能体从少量信息中持续学习新类别。这与现代机器学习系统形成鲜明对比，后者通常设计为具有已知类别集合且每类有大量样本。本工作中，我们将基于嵌入的少样本学习算法扩展到开放世界识别设定。我们将贝叶斯非参数类别先验与基于嵌入的预训练方案相结合，产生一个高度灵活的框架，称之为开放世界识别少样本学习（FLOWR）。我们在MiniImageNet和TieredImageNet常见少样本学习数据集的开放世界扩展上对所提框架进行基准测试。结果表明，与已有方法相比，我们的非参数开放世界少样本学习方案具有强劲的分类准确率表现，且H-measure（新类检测的一种度量）最高提升12%。
引用
@article{arxiv.2107.13682,
title = {Bayesian Embeddings for Few-Shot Open World Recognition},
author = {John Willes and James Harrison and Ali Harakeh and Chelsea Finn and Marco Pavone and Steven Waslander},
journal= {arXiv preprint arXiv:2107.13682},
year = {2022}
}